Recommendation as Generation (RaG)

传统推荐系统的根本局限

过去十年，工业级视频推荐系统遵循「内容先行」范式：视频离线生产，推荐模型从固定内容池中检索和排序。即使是最先进的深度推荐模型（DLRM）和生成式推荐模型（GRM），也始终受限于预先生产好的视频池。当用户兴趣涉及新颖或长尾语义时，系统只能退而求其次，推荐「池子里最好的」，而非「用户真正想要的」。

两大核心挑战

• 挑战一：推荐与生成的统一。推荐模型处理异构离散数据（用户画像、行为序列），而视频生成模型处理多模态连续信号（文本、图像、音频、运动）。两者数据表示和学习目标截然不同，难以将预测的用户兴趣转化为可控的视频生成。
• 挑战二：工业级规模的高质量生成。现有视频生成模型依赖人工提示词、多阶段精修和专业后期工具，延迟高、计算成本大。为数亿用户的长尾兴趣做个性化生成，成本更是不可承受。

范式转变：从「检索」到「生成」

RaG 提出了一种全新的推荐范式：不再从固定池中检索视频，而是直接从推断的用户兴趣中生成个性化视频。其关键思想是使用解耦语义 ID（Disentangled Semantic IDs, D-SIDs）作为推荐与生成之间的统一接口。

RaG 整体架构流程

整个流程在 SCRL 跨域协同奖励学习 下联合优化，形成闭环

解耦语义视频编码器

基于 Qwen2.5-VL-7B-Instruct，通过指令引导的解耦表示框架，将同一视频的语义内容和创意属性分离：

• 使用内部密集描述模型 (CapModel) 生成因子化文本描述
• 视觉编码器提取时空语义 token，与文本描述联合编码
• 对比学习损失确保表示一致性
• 通过 RQ-KMeans 将连续嵌入量化为离散 D-SIDs

生成式推荐模型 (GRM)

将推荐重新定义为自回归 token 预测：给定用户画像和交互历史，GRM 自回归地预测代表用户未来兴趣的 D-SIDs 序列。与传统 GRM 不同，RaG 将预测的 D-SIDs 作为生成式兴趣表示，直接解码为新内容，而非仅用作检索键。

指令模型 (IM) 与 VGA 协作

指令模型将 D-SIDs 翻译为自然语言指令，为下游智能体提供可解释的结构化指导。三个角色智能体（视觉、音频、艺术）基于共享 LLM 骨干协同工作，通过层次化规划、多模态对齐和迭代精炼，生成高质量个性化视频。

实验设置

在拥有 4 亿+ 日活用户 的工业级短视频平台上进行在线 A/B 测试，场景为广告变现关键业务。基线为生产环境中表现强劲的生成式推荐模型 (GRM)。

在线 A/B 测试结果

RaG 的核心贡献

1. 范式创新：首次提出「推荐即生成」范式，将推荐从固定池检索转变为从用户兴趣直接生成个性化视频。
2. 统一接口：D-SIDs 作为推荐与生成的共享潜在接口，解耦内容语义与创意风格，实现精细兴趣建模与可控视频生成。
3. 工业级生成框架：VGAs 通过层次化规划、多智能体协作和迭代精炼，实现可扩展的高质量个性化视频生产。
4. 闭环优化：SCRL 将用户反馈、兴趣对齐和视频质量统一到约束策略学习中，实现推荐与生成的协同进化。
5. 生产验证：在 4 亿+ DAU 平台上通过 A/B 测试验证，广告收入提升最高 1.87%。