语义ID论文精读《Better Generalization with Semantic IDs: A Case Study in Ranking for Recommendations》

转载于 2025-10-08 15:00:03 发布 · 90 阅读

1 ·

CC 4.0 BY-SA版权

原文链接：https://www.cnblogs.com/GlenTt/p/19129615

文章标签：

#it

语义ID论文精读《Better Generalization with Semantic IDs: A Case Study in Ranking for Recommendations》

在推荐系统的广袤世界里，物品ID（Item ID）如同每个物品的“身份证”，是模型识别与记忆它们的基础。长期以来，我们习惯于使用随机哈希ID (Randomly-hashed IDs)，这种方法凭借其高效的记忆能力，在工业界大规模排序系统中占据着主导地位。然而，这种“死记硬背”的方式也带来了明显的弊端：模型对新出现的、缺乏交互的长尾物品束手无策，因为这些随机ID本身不携带任何语义信息，无法帮助模型进行泛化推理。

如何在不牺牲现有模型强大记忆能力的前提下，赋予其理解内容、泛化未来的能力？Google 在论文《Better Generalization with Semantic IDs: A Case Study in Ranking for Recommendations》中，给出了一条极具工程价值的路径。本文将深入解析这一方法，探讨其如何在YouTube的生产环境中，为推荐排序模型构建一座连接记忆与泛化的桥梁。

一、背景：推荐系统中ID表示的困境

在深入语义ID之前，我们必须清晰地认识到传统ID表示法面临的根本矛盾。

随机哈希ID的记忆优势： 工业级推荐系统通常拥有一个庞大的嵌入表（Embedding Table），通过随机哈希将海量的物品ID映射到表中的某一行。模型在训练中不断优化这些嵌入向量，从而能精准地“记住”每个热门物品的特性，例如点击率、用户偏好等。这是其强大性能的基础。
随机哈希ID的泛化劣势： 这种优势的代价是牺牲了泛化能力。
- 语义鸿沟： 两个内容上高度相似的视频（例如，都关于“深度学习入门”），它们的随机ID毫无关联，模型无法将从一个视频上学到的知识迁移到另一个，造成了巨大的信息浪费。
- 冷启动困境： 对于一个新发布的视频，由于缺乏用户交互数据，其ID嵌入无法得到有效训练，导致模型无法准确预估其表现，难以将其推荐给合适的用户。
现有方案的不足： 为了解决泛化问题，研究者们尝试了多种方案。
- 纯内容嵌入 (Dense Content Embedding)： 直接使用从视频内容（画面、音频、文本）中提取的稠密向量作为特征。这种方法泛化能力很强，但论文实验发现，它完全替代ID后会导致模型整体性能下降，因为它损失了ID所提供的强大记忆能力。
- 端到端内容模型： 将内容编码器与推荐模型一起进行端到端训练。虽然效果显著，但其巨大的计算成本（通常是ID基线的10-50倍）使其难以在对延迟和成本极其敏感的大规模生产排序系统中部署。

面对这一困境，我们需要一种既能保留ID式记忆能力，又能融入内容语义进行泛化的新范式。

二、核心方法：语义ID的生成与应用

语义ID的核心思想是通过一个两阶段流程，将物品的内容信息提炼并固化成一种新型的、离散化的ID。这篇论文语义Id的生成也是用的tiger论文提出的RQVAE方法，只不过这里是将语义Id用于排序阶段，将语义Id作为增强特征与其他特征进行拼接后，送入传统的排序模型。而tiger则是针对召回阶段，系统训练一个 Transformer Seq2Seq 模型，编码器输入用户历史交互物品的语义 ID 序列，解码器自回归地预测目标物品的语义 ID 序列。

第一阶段：语义ID的生成

此阶段的目标是将高维、连续的内容嵌入，高效地压缩为低维、离散的ID序列，同时保留其核心语义。

内容嵌入的获取：内容嵌入的获取依赖预训练多模态编码器对原始特征的编码。以 YouTube 视频为例，系统首先收集标题、描述、标签、字幕等文本信息，以及视频帧和音频等多模态数据。这些原始内容通过预训练模型（如 SentenceT5 或 CLIP 类模型）编码为高维稠密向量 x∈R^D，该向量捕获了视频的核心语义信息。
核心组件 (RQ-VAE)： 论文采用残差量化变分自编码器 (RQ-VAE) 来完成此任务。其工作流程可以通俗地理解为一种“逐层精炼”的量化过程：
1. 编码： 首先，一个编码器将原始的内容嵌入向量 x 映射到一个潜在向量 z。
2. 多层残差量化： 这是RQ-VAE的关键。在第一层，模型在码本（Codebook）中寻找与 z 最相似的编码向量，记录下其ID，并计算出两者之差，即残差 (Residual)。在第二层，模型不再对原始向量进行量化，而是对第一层的残差进行量化，再次记录ID并计算新残差。
3. 循环往复： 这个过程会持续L层，每一层都是对上一层留下的“剩余信息”（即残差）进行精细化捕捉。
输出： 最终，一个物品得到了一个由L个整数组成的ID序列，如 /* by 01022.hk - online tools website : 01022.hk/zh/calcarea.html */ (1723, 541, 1129, ...)。这个序列具有分层语义：ID的前缀部分代表了物品最广泛、最粗略的概念（如“体育”），而后续的ID则不断在细节上进行补充和限定（如“户外运动”->“沙滩排球”）。

第二阶段：在排序模型中适配语义ID

生成了语义ID后，如何让排序模型理解并使用它？论文提出，可以将这个定长的ID序列视为一个“句子”，通过类似自然语言处理中的“分词”思想来处理。

核心思想： 将SID序列分解为“子词(subwords)”，为每个子词学习一个嵌入向量，最后将这些子词的嵌入组合起来，形成最终的物品表示。
方法1：基于N-gram的表示法
- 原理： 采用固定长度的滑窗来切分SID序列。例如，Unigram (N=1) 将每个ID都视为一个独立的子词；Bigram (N=2) 则将每两个相邻的ID组合成一个子词。
- 优劣分析： 这种方法简单直观，但其主要缺陷在于灵活性差。更重要的是，嵌入表的规模会随着N的增大呈指数级增长（\(K^N\)），这极大地限制了其捕捉更长、更复杂语义组合的能力。
方法2：基于SPM的表示法 (SentencePiece Model)
- 原理： 借鉴NLP中广泛应用的SentencePiece模型，该方法不再使用固定的N，而是根据ID组合在训练数据中出现的频率，动态地、自适应地学习最优的子词切分方案。那些频繁共现的ID组合（如代表某个热门主题的ID序列）会被自动合并成一个更长的子词，而稀有的ID则可能保持为单个的子词。
- 优势： SPM能够在给定的嵌入表预算内，智能地分配其“记忆容量”。它用更长的子词去“记忆”重要且常见的语义模式，用更短的子词去“泛化”不常见的组合，从而在记忆和泛化之间取得了更优的平衡。
N 大和 N 小的好处与核心思想

N-gram 长度 \(N\) 的选择，体现了泛化能力 和 记忆能力之间的权衡。

特性	\(N\) 较小（如 \(N=1\) Unigram）	\(N\) 较大（如 \(N=4\)）
组合长度	短（1 个编码）	长（多个编码）
嵌入表开销	小（\(K\) 的倍数），内存高效。	大（\(K^N\) 爆炸式增长），资源消耗高。
语义粒度	粗糙。只捕获单个层级的语义。	精细。捕获多个层级编码的联合语义。
泛化能力	强。项目更容易共享短片段的嵌入（例如 \(\mathbf{emb}(c_v^1)\)），知识共享多。	弱。只有极其相似或相同的项目才会共享长片段的嵌入，泛化能力差。
记忆能力	弱。无法为热门项目的特定组合学习独特的嵌入，记忆细粒度偏差的能力不足。	强。为热门 SID 的长片段组合学习了独特的嵌入，能够精确记忆该项目的独有特征。
核心思想	提升泛化能力。牺牲对单个项目的精确记忆，换取对新/长尾项目的语义迁移。	提升记忆能力。牺牲泛化能力，换取对热门/核心项目的精确拟合。

三、实验分析：语义ID的性能表现

论文在YouTube的生产级多任务排序模型上进行了详尽的实验，结果有力地证明了语义ID的有效性。

实验设置：
- 模型： 真实的YouTube视频推荐排序模型。
- 基线： 传统的随机哈希 (Random Hashing) 和直接使用纯内容嵌入 (Dense Input)。
- 评估指标： 整体CTR AUC（衡量模型在所有视频上的总体排序能力）和CTR/1D AUC（仅衡量模型对24小时内新发布视频的排序能力，即冷启动性能）。
核心结论：
- 语义ID vs. 纯内容嵌入： 实验验证了前文的观点，直接使用/* by 01022.hk - online tools website : 01022.hk/zh/calcarea.html */ Dense Input替代ID会导致整体性能（CTR AUC）的显著下降，因为它破坏了模型长期依赖的记忆能力。
- 语义ID vs. 随机哈希： 这是最关键的对比。
  - 在冷启动场景 (CTR/1D AUC)下，无论是N-gram还是SPM-SID，其表现都远超随机哈希基线。这表明语义ID凭借其内容理解能力，极大地提升了模型对新视频的泛化预测能力。
  - 在整体性能 (CTR AUC)上，当使用足够大的嵌入表时，SPM-SID的表现能够持平甚至超越随机哈希基线。这证明了语义ID可以在不牺牲（甚至提升）模型整体记忆和排序能力的前提下，带来额外的泛化增益。
- SPM-SID vs. N-gram-SID： 在嵌入表规模较大时，SPM凭借其自适应的“分词”能力，在整体性能和冷启动性能上均优于固定的N-gram方法，展现了更强的效率和扩展性。

四、总结与思考

《Better Generalization with Semantic IDs》这篇论文为推荐系统领域贡献了一个极具价值的范式。

总结： 利用 RQ-VAE，从固定的内容嵌入中为数十亿YouTube视频开发了语义ID（Semantic IDs），以捕获整个语料库中具有语义意义的分层结构。我们提出并证明，语义ID是一种有效的方法，能够通过引入有意义的碰撞来取代视频ID，从而提高泛化能力。
优缺点分析：
- 优点：
  - 有效解决冷启动： 显著提升对新物品和长尾物品的推荐效果。
  - 资源高效： 相比直接使用高维内容嵌入，语义ID（几个整数）的存储和查询成本极低。
  - 可解释性更强： 分层的ID结构使得分析和理解物品间的语义层级关系成为可能。
- 缺点：
  - 实现复杂度更高： 相比即插即用的随机哈希，引入语义ID需要额外的RQ-VAE模型训练、ID生成和特征适配流程。
工业启示： 对于希望提升模型内容理解和泛化能力的大规模推荐系统而言，语义ID提供了一条工程上可行且效果显著的演进路径。它并非要求推倒重来，而是可以在现有成熟的排序模型架构上，通过“特征升级”的方式平滑地引入，这对于追求稳定迭代的工业界系统具有极大的吸引力。

附录

A.1 RQ-VAE 训练与服务设置

模型超参数：对于 RQ-VAE 模型，我们使用一个维度为 256 的单层编码器-解码器模型。我们应用 L = 8 层量化，每层使用码本大小 K = 2048。

RQ-VAE 训练：我们在一个随机抽样的曝光视频数据集上训练 RQ-VAE 模型，直至重建损失趋于稳定（对于我们语料库，约需数千万训练步数）。向量量化技术在训练过程中已知会遭遇码本坍塌问题，即模型仅使用一小部分码本向量。为应对这一挑战，我们在每个训练步骤中，将未使用的码本向量重置为从当前批次内随机采样视频的内容嵌入，这显著提高了码本利用率。我们使用 β = 0.25 来计算训练损失。模型训练完成后，我们冻结 RQ-VAE 模型，并使用其编码器为视频生成语义 ID。

RQ-VAE 服务/推理：当有新视频加入语料库时，我们使用冻结的 RQ-VAE 模型生成其语义 ID。随后，这些语义 ID 会与其他用于排序的特征一样，被存储并提供服务。

A.2 语义ID随时间推移的稳定性

研究目的：验证语义ID是否稳定，即当底层生成模型（RQ-VAE）随着新数据更新后，先前生成的语义ID是否仍然有效。
实验方法：使用相隔6个月的数据训练了两个RQ-VAE模型（v0和v1），并用它们分别为视频生成语义ID。然后，在同一个最新的生产排名模型上比较这两组ID的性能。
核心发现：如图5所示，使用旧模型（RQ-VAEv0）和新模型（RQ-VAEv1）生成的语义ID，其下游排名模型性能相当。
结论：这表明通过RQ-VAE学习到的视频语义标识空间是稳定的，不会随时间推移而迅速过时，满足生产系统对特征一致性的要求。

A.3 作为概念层次结构的语义ID

核心观点：语义ID天然地捕获了视频内容的层次化概念结构。
形象比喻：可以将语义ID视为一棵前缀树（Trie），其中：
- 高层级（ID序列的前几位）：代表粗粒度的概念（如“体育”）。
- 低层级（ID序列的后几位）：代表细粒度的概念（如“沙滩排球教学”）。
实例证明：论文中的图6和图7展示了从训练好的模型中提取的两个示例子树，分别对应于“体育”和“美食视频”领域，直观地显示了这种从一般到具体的概念层级关系。

A.4 基于语义ID的相似性分析

研究目的：定量分析语义ID的层级结构是否与内容本身的语义相似度相符。
实验方法：计算所有共享前n位语义ID前缀的视频，在原始内容嵌入空间中的平均余弦相似度，并统计对应的子树大小。
关键发现：如表1所示：
- 随着共享前缀长度n的增加，视频间的平均内容相似度显著提高。
- 同时，对应的子树大小（即共享该前缀的视频数量）急剧减少。
结论：这定量地证明了语义ID的前缀确实代表了越来越精细和具体的语义概念。前缀越长，所标识的视频集合在内容上越相似、越具体。