推薦大模型也可生成式,，并且首次在國產(chǎn)昇騰 NPU 上成功部署,！

在信息爆炸時代,，推薦系統(tǒng)已成為生活中不可或缺的一部分。Meta 率先提出了生成式推薦范式 HSTU，將推薦參數(shù)擴(kuò)展至萬億級別，取得顯著成果,。

近期，中科大與華為合作開發(fā)了推薦大模型部署方案,，可應(yīng)用于多個場景,。探索過程中還有哪些經(jīng)驗與發(fā)現(xiàn)？最新公開分享來了,。

報告亮點包括：

總結(jié)推薦范式發(fā)展歷程,，指出具備擴(kuò)展定律的生成式推薦范式是未來趨勢；

復(fù)現(xiàn)并研究不同架構(gòu)的生成式推薦模型及其擴(kuò)展定律,；通過消融實驗和參數(shù)分析,，解析 HSTU 的擴(kuò)展定律來源，并賦予 SASRec 以可擴(kuò)展性,；

驗證 HSTU 在復(fù)雜場景和排序任務(wù)中的表現(xiàn)及擴(kuò)展性,；

團(tuán)隊展望并總結(jié)未來研究方向。

具備擴(kuò)展定律的生成式推薦范式正在成為未來趨勢

如圖 1 所示,，推薦系統(tǒng)的發(fā)展趨勢是逐漸減少對手工設(shè)計特征工程和模型結(jié)構(gòu)的依賴。在深度學(xué)習(xí)興起之前,，受限于計算資源,，人們傾向于使用手工設(shè)計的特征和簡單模型（圖 1A）。

隨著深度學(xué)習(xí)的發(fā)展,，研究者專注于復(fù)雜模型的設(shè)計,，以更好地擬合用戶偏好，并提升對 GPU 并行計算的利用率（圖 1B）,。

然而,，隨著深度學(xué)習(xí)能力的瓶頸，特征工程再次受到關(guān)注（圖 1C）,。

如今,，大語言模型擴(kuò)展定律的成功啟發(fā)了推薦領(lǐng)域的研究者,。擴(kuò)展定律描述了模型性能與關(guān)鍵指標(biāo)（如參數(shù)規(guī)模、數(shù)據(jù)集規(guī)模和訓(xùn)練資源）之間的冪律關(guān)系,。通過增加模型深度和寬度,，并結(jié)合大量數(shù)據(jù)，可以提升推薦效果（圖 1D）,，這種方法被稱為推薦大模型,。

近期，HSTU 等生成式推薦框架在此方向取得了顯著成果,，驗證了推薦領(lǐng)域的擴(kuò)展定律,，引發(fā)了生成式推薦大模型研究的熱潮。團(tuán)隊認(rèn)為,，生成式推薦大模型正在成為顛覆當(dāng)前推薦系統(tǒng)的下一個新范式,。

在此背景下，探索哪些模型真正具備可擴(kuò)展性,，理解其成功應(yīng)用擴(kuò)展定律的原因,，以及如何利用這些規(guī)律提升推薦效果，已成為當(dāng)前推薦系統(tǒng)領(lǐng)域的熱門課題,。

基于不同架構(gòu)的生成式推薦大模型擴(kuò)展性分析

為了評估生成式推薦大模型在不同架構(gòu)下的擴(kuò)展性,，團(tuán)隊對比了 HSTU、Llama,、GPT 和 SASRec 四種基于 Transformer 的架構(gòu),。

在三個公開數(shù)據(jù)集上，通過不同注意力模塊數(shù)量下的性能表現(xiàn)進(jìn)行分析（見表 1）,。結(jié)果顯示,，當(dāng)模型參數(shù)較小時，各架構(gòu)表現(xiàn)相似,，且最優(yōu)架構(gòu)因數(shù)據(jù)集而異,。

然而，隨著參數(shù)擴(kuò)展,，HSTU 和 Llama 的性能顯著提升,，而 GPT 和 SASRec 的擴(kuò)展性不足。盡管 GPT 在其他領(lǐng)域表現(xiàn)良好,，但在推薦任務(wù)上未達(dá)預(yù)期,。團(tuán)隊認(rèn)為，這是因為 GPT 和 SASRec 的架構(gòu)缺乏專為推薦任務(wù)設(shè)計的關(guān)鍵組件,，無法有效利用擴(kuò)展定律,。

生成式推薦模型的可擴(kuò)展性來源分析

為了探究 HSTU 等生成式推薦模型的可擴(kuò)展性來源，團(tuán)隊進(jìn)行了消融實驗,，分別去除了 HSTU 中的關(guān)鍵組件：相對注意力偏移（RAB）,、SiLU 激活函數(shù),，以及特征交叉機(jī)制。

實驗結(jié)果（見表 2）顯示,，單一模塊的缺失并未顯著影響模型的擴(kuò)展性,，但 RAB 的移除導(dǎo)致性能明顯下降，表明其關(guān)鍵作用,。

為了進(jìn)一步分析賦予模型擴(kuò)展定律的因素,，團(tuán)隊比較了 SASRec 與擴(kuò)展性良好的 HSTU 和 Llama 的區(qū)別，發(fā)現(xiàn)主要差異在于 RAB 和注意力模塊內(nèi)的殘差連接方式,。

為驗證這些差異是否為擴(kuò)展性的關(guān)鍵,，團(tuán)隊為 SASRec 引入了 HSTU 的 RAB，并調(diào)整其注意力模塊的實現(xiàn)方式,。

實驗結(jié)果（見表 3）顯示,，單獨添加 RAB 或修改殘差連接并未顯著改善 SASRec 的擴(kuò)展性。然而,，當(dāng)同時修改兩個組件后,，SASRec 展現(xiàn)出良好的擴(kuò)展性。這表明,，殘差連接模式與 RAB 的結(jié)合,，為傳統(tǒng)推薦模型賦予了擴(kuò)展性，為未來推薦系統(tǒng)的擴(kuò)展性探索提供了重要啟示,。

生成式推薦模型在復(fù)雜場景和排序任務(wù)中的表現(xiàn)

復(fù)雜場景中的表現(xiàn)

HSTU 在多域,、多行為和輔助信息等復(fù)雜場景中表現(xiàn)出色。以多域為例,，HSTU 在 AMZ-MD 的四個域中始終優(yōu)于基線模型 SASRec 和 C2DSR（見表 4）,。

與單域獨立訓(xùn)練的 HSTU-single 相比，多域聯(lián)合訓(xùn)練的 HSTU 表現(xiàn)更佳,，證明了多域聯(lián)合建模的優(yōu)勢,。表 5 顯示，HSTU 在多域行為數(shù)據(jù)上的擴(kuò)展性顯著,，尤其在規(guī)模較小的場景如 Digital Music 和 Video Games 上,。這表明 HSTU 在解決冷啟動問題上具有潛力。

未來方向和總結(jié)

在技術(shù)報告中,，團(tuán)隊指出了數(shù)據(jù)工程、Tokenizer,、訓(xùn)練推理效率等推薦大模型未來研究的潛力方向,，這些方向?qū)椭鉀Q當(dāng)前的挑戰(zhàn)并拓寬應(yīng)用場景。