近日，實驗室成員丁超越作為第一作者的論文“UniGCRec: Unified User-Item Quantization for Generative Cross-Domain Recommendation”被 The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026) Research Track（Second Cycle）錄用。KDD 2026 Research Track 第二輪共收到 3252 篇有效投稿，總體接收率約為 18.5%。
在電商、內容和生活服務等平臺中，一個用戶往往會在多個領域留下行為軌跡?？缬蛐蛄型扑]希望借助其他領域的歷史行為，改善目標領域中數(shù)據(jù)稀疏或偏好尚不充分時的下一項預測。然而，來源域的信息并非越多越好：不相關的行為會造成負遷移；而現(xiàn)有生成式跨域推薦通常只把物品量化為語義 ID，用戶偏好仍隱含在連續(xù)序列表示中，難以在同一語義層面判斷哪些跨域信號值得遷移。針對這一問題，本文提出 UniGCRec，將用戶和物品同時量化為融合語義與協(xié)同信息的 CSC-IDs，并以用戶 CSC-ID 作為生成模型的顯式偏好前綴。在五個真實 Amazon 子域上的實驗表明，UniGCRec 在全部評價指標上均優(yōu)于強基線，在重疊信息受限的場景中仍能保持穩(wěn)定優(yōu)勢。
會議簡介
ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD) 是數(shù)據(jù)挖掘與知識發(fā)現(xiàn)領域的重要國際學術會議，由 ACM SIGKDD 主辦，也是中國計算機學會推薦的 A 類國際學術會議。會議涵蓋數(shù)據(jù)挖掘、機器學習、推薦系統(tǒng)及其真實應用等研究方向。KDD 2026 計劃于 2026 年 8 月 9 日至 13 日在韓國濟州島召開。
論文簡介
統(tǒng)一用戶-物品量化的生成式跨域推薦
論文鏈接：https://doi.org/10.1145/3770855.3818132
問題背景
推薦系統(tǒng)面對的用戶興趣并不局限于一個領域。例如，用戶在樂器、辦公用品與食品等不同類目中的選擇，可能共同反映其生活方式、場景需求或穩(wěn)定偏好。跨域序列推薦（Cross-Domain Sequential Recommendation, CDSR）的目標，正是利用這些跨領域軌跡來預測用戶在目標領域中的下一次交互。對于行為稀疏的領域，這類額外證據(jù)尤其有價值。
早期跨域方法通常依賴共享用戶、共享物品或跨域共現(xiàn)關系來建立連接。但在真實平臺中，不同領域的物品集合往往天然不同，能夠穩(wěn)定跨域活躍的用戶也有限。近年來，生成式推薦為這一問題提供了新的方向：它不再直接預測原始物品 ID，而是把物品文本語義壓縮為可生成的離散語義 ID（Semantic IDs, SIDs），讓語義相近的物品即使不存在顯式重疊，也能獲得可比較的表示。
核心問題
不過，現(xiàn)有生成式跨域推薦仍存在一個不對稱之處：物品擁有離散語義 ID，用戶偏好卻仍埋在歷史序列的連續(xù)隱藏狀態(tài)中。換言之，模型知道“物品用什么離散語言表達”，卻沒有同樣清晰的“用戶偏好標識”。當多個來源域的信息同時出現(xiàn)時，模型很難用統(tǒng)一尺度判斷哪些信號與目標興趣相關，哪些只是噪聲。
圖1 生成式跨域推薦范式比較：現(xiàn)有方法僅量化物品，UniGCRec 將用戶與物品同時映射到統(tǒng)一的 CSC-ID 空間
UniGCRec 的出發(fā)點很直接：既然推薦最終發(fā)生在用戶與物品的匹配上，那么兩者應當擁有可對齊、可生成的離散表示。本文提出 Cross-Domain Semantic-Collaborative IDs（CSC-IDs），將文本語義和交互協(xié)同信號共同納入量化過程；用戶獲得顯式的 CSC-ID 前綴，物品也獲得 CSC-ID 序列。這樣，跨域信息不再只是被動混入歷史表示，而是可以圍繞明確的用戶偏好錨點進行選擇性遷移。
方法概述
UniGCRec 由四個階段組成，從自然語言偏好畫像的提取，到統(tǒng)一離散表示的學習，再到面向具體領域的生成與適配，形成完整的跨域推薦流程。
圖2 UniGCRec 整體框架：跨域用戶畫像構建、用戶與物品 CSC-ID 量化、統(tǒng)一生成式預訓練以及目標域適配
-
階段0：構建跨域用戶畫像
用戶興趣往往會隨時間變化，直接把整段交互歷史交給模型，容易掩蓋短期偏好的轉向。UniGCRec 在離線階段使用 Llama模型，通過滑動窗口逐段讀取用戶歷史：每讀入一段近期行為，就更新一次當前偏好畫像，從而保留興趣演化過程。隨后，模型分別從各領域畫像及按時間合并的混合領域歷史中提取可遷移興趣，匯總為一份跨域用戶畫像。
這里的關鍵不是簡單拼接多域行為，而是盡量保留跨領域仍有意義的穩(wěn)定偏好，并壓低僅在單一領域出現(xiàn)的偶然信號。畫像生成只使用訓練集交互，并在訓練前離線完成和緩存；推薦訓練與推理期間無需調用畫像生成模型。 -
階段1：統(tǒng)一量化用戶與物品
在用戶側，跨域畫像提供語義表示，不同領域的行為序列提供協(xié)同表示；在物品側，文本描述和交互信息同樣構成語義與協(xié)同兩類證據(jù)。UniGCRec 使用雙塔結構融合這兩種信號，再通過 RQ-VAE 將用戶和物品分別量化為離散 CSC-IDs。用戶與物品使用各自的碼本，但在所有領域間共享，并通過對齊目標使兩側表示在量化前具有可比較的結構。
來源域行為中可能既有幫助，也有干擾。為此，論文在用戶側設計了 Selective Transfer Gate（ST-Gate）。它根據(jù)目標域與其他領域的相關程度及用戶活躍信息，為不同來源域分配權重，再通過門控機制平衡目標域協(xié)同信號和跨域匯總信號。與直接混合所有歷史相比，這一步更適合處理興趣差異明顯的跨域場景。
圖3 User ST-Gate：依據(jù)領域相關性與用戶活動信息聚合來源域信號，并與目標域信號進行門控融合
-
階段2：生成式預訓練
完成量化后，用戶 CSC-ID 被放在目標域物品歷史之前，作為一段顯式的偏好前綴。生成模型接收“用戶偏好前綴 + 目標域歷史物品 CSC-IDs”，自回歸生成下一物品的 CSC-ID。預訓練階段使用五個領域的聯(lián)合數(shù)據(jù)，使模型能夠學習不同領域之間可遷移的生成規(guī)律。 -
階段3：目標域適配與約束解碼
針對不同目標領域，UniGCRec 在 Qwen2.5-7B 生成骨干上采用 LoRA 進行參數(shù)高效適配，保留預訓練階段獲得的跨域知識。推理時，模型使用目標域候選物品池構建的前綴樹約束生成路徑，使輸出的 CSC-ID 對應候選池中的有效物品。
實驗結果
論文在五個 Amazon 子領域上進行實驗，包括 Instruments、Beauty、Arts、Office 和 Pantry。所有數(shù)據(jù)均采用 5-core 過濾，評價指標為 Recall和 NDCG。對比方法覆蓋單域序列推薦、非生成式跨域推薦、生成式推薦以及生成式跨域推薦。
表1 UniGCRec 在五個目標領域上的整體表現(xiàn)
表2 零重疊設置下的推薦表現(xiàn)
除整體評價與零重疊設置外，論文進一步對量化前的用戶與物品表示進行可視化，用于考察用戶-物品對齊目標對跨域表示空間組織方式的影響。
圖4 量化前表示的 t-SNE 可視化：對齊目標使不同領域的用戶與物品表示形成更統(tǒng)一的跨域空間
討論
1. 對跨域推薦系統(tǒng)的實際價值
現(xiàn)實中的推薦服務經(jīng)常同時覆蓋多個類目或內容頻道，但不同頻道的交互量差異很大。UniGCRec 提供了一種更清晰的遷移方式：先把散落在各領域的偏好整理成用戶側的離散前綴，再讓模型在目標領域中生成有效物品。對于新開設或數(shù)據(jù)較少的頻道，這種做法能夠利用其他領域的穩(wěn)定興趣，而不是粗略地把所有行為混在一起。由于畫像可以離線緩存，領域適配又使用輕量參數(shù)更新，該框架也具備進一步面向實際系統(tǒng)優(yōu)化的空間。
2. 研究的局限性和未來方向
當前方法仍需要離線調用大語言模型生成用戶畫像。當興趣變化較快、商品和內容持續(xù)更新時，畫像的更新頻率、成本與時效性之間仍需權衡。另一方面，CSC-ID 的語義能力依賴于可用的物品文本與交互質量；對于描述缺失、噪聲較大或模態(tài)更豐富的內容，僅依靠文本與行為可能還不夠。實驗目前集中于 Amazon 子領域的離線設置，未來可進一步考察跨平臺、多模態(tài)及在線反饋場景，并探索更輕量的畫像更新機制。
總結
本研究的主要貢獻如下：
(1) 本文指出生成式跨域推薦中存在用戶與物品表示不對稱的問題，并提出 UniGCRec，將用戶和物品統(tǒng)一量化為融合語義與協(xié)同信號的 CSC-IDs。
(2) 本文通過跨域用戶畫像和 User ST-Gate 篩選可遷移偏好信號，并用用戶 CSC-ID 前綴顯式條件化生成過程，使跨域遷移更可控。
(3) 在五個真實領域及零重疊設置下，UniGCRec 均取得穩(wěn)定優(yōu)勢，驗證了統(tǒng)一用戶-物品離散表示對于生成式跨域推薦的有效性。
如果您對本文內容感興趣，可與通訊作者聯(lián)系: zhangpeng_@fudan.edu.cn
實驗室相關論文
[1] Yuebo Feng, Jiahao Liu, Mingzhe Han, et al. Drift-Aware Incremental Token Adaptation with Collaborative Semantics for Generative Recommendation. SIGIR 2026.
[2] Jiahao Liu, Xueshuo Yan, Dongsheng Li, Guangping Zhang, Hansu Gu, Peng Zhang, Tun Lu, Li Shang and Ning Gu. Improving LLM-powered Recommendations with Personalized Information. SIGIR 2025.
[3] Mingzhe Han, Dongsheng Li, Jiafeng Xia, Jiahao Liu, Hansu Gu, Peng Zhang, Ning Gu and Tun Lu. FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation. SIGIR 2025.
[4] Jiahao Liu, Yiyang Shao, Peng Zhang, Dongsheng Li, Hansu Gu, Chao Chen, Longzhi Du, Tun Lu and Ning Gu. Filtering Discomforting Recommendations with Large Language Models. WWW 2025.
如果您對我們實驗室的相關工作感興趣，歡迎訪問我們的網(wǎng)站：
協(xié)同信息與系統(tǒng)實驗室（CISL）
實驗室網(wǎng)站主頁：https://cscw.fudan.edu.cn/
實驗室Github主頁：https://github.com/FudanCISL
評論 0