生成式推荐里的语义 ID（Semantic ID）和 RQ-VAE 是什么？比传统 ID Embedding 好在哪？

一句话速记：传统 ID 缺乏语义信息，在零样本冷启动场景下容易失效，且参数量随 Item 规模线性膨胀；语义 ID 将 Item 离散化为具备层次语义的 Token 序列；RQ-VAE 通过残差逐层量化，利用较小码本表征高维离散空间，使推荐系统可复用 Transformer 进行自回归生成，并结合前缀树剪枝完成高效候选检索。

生成式推荐、语义 ID

同章节的其他八股

• ReLU、GELU、SwiGLU 有什么区别？大模型为什么偏爱门控激活？
• BatchNorm 和 LayerNorm 的区别？为什么 NLP 用 LayerNorm？
• Adam 和 AdamW 的区别？
• Warmup 的作用是什么？
• 梯度消失和梯度爆炸怎么解决？
• L1 和 L2 正则化有什么区别？
• 交叉熵损失怎么推导？二分类为什么不用 MSE？
• 训练中 loss 出现 NaN 怎么排查？
• 梯度累积的原理是什么？
• 余弦相似度、点积、欧氏距离有什么关系？
• KMeans 的流程、缺点和改进？
• Xavier 初始化和 Kaiming 初始化有什么区别？大模型怎么初始化？