1. 项目概述从“物品”到“样本”的推荐范式跃迁最近在梳理推荐系统前沿论文时这篇标题为《Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models》的工作让我眼前一亮。它直指当前大模型推荐系统的一个核心痛点我们是不是过于执着于“物品”本身了传统的推荐模型无论是协同过滤还是基于深度学习的序列模型其建模的基本单元通常是“物品ID”或“物品特征向量”。一个用户的历史点击序列[item_A, item_B, item_C]在模型眼里就是三个独立的物品token。这种范式在捕捉用户长期、宏观的兴趣偏好上很有效但它可能忽略了一个更细微、更动态的层面用户与物品每一次交互所构成的“样本”本身蕴含着超越物品属性的丰富信息。这篇论文提出的SIFSample Is Feature框架其核心思想极具启发性。它认为在统一的大型推荐模型中应该将每个用户-物品交互样本例如一次点击、一次购买视为一个不可分割的、富含信息的“特征令牌”Sample-Level Token而不仅仅是将其拆解为用户特征和物品特征后再进行融合。简单来说过去我们建模用户U 物品I - 交互Y现在SIF倡导直接建模样本S(用户U, 物品I, 上下文C) - 交互Y并将这个复合的样本S作为一个整体token输入模型。这听起来有点像在自然语言处理中我们不把“深度学习”这个词拆成“深度”和“学习”两个独立的token来处理而是将其视为一个具有特定语义的整体单元。为什么这个思路重要因为一次具体的交互行为是用户瞬时意图、物品即时吸引力、以及当时所处环境时间、地点、设备、伴随事件共同作用的结果。同一个用户在不同场景下点击同一个物品其背后的动机可能截然不同同一个物品被不同用户以相同方式交互其代表的意义也可能天差地别。将这些信息压缩成一个统一的样本级token让模型在更原始的粒度上进行学习和推理有望更精细地刻画用户行为的动态性并增强模型在不同任务和场景下的统一表征能力。接下来我将结合论文内容和个人理解深入拆解SIF的动机、实现细节以及其背后的深远影响。2. 核心思想拆解为何“样本”本身即是特征要理解SIF的价值我们得先看看现有主流范式的局限。当前基于Transformer的大规模推荐模型通常采用一种“特征工程交叉网络”的架构。具体流程是首先将用户属性年龄、性别、物品属性类别、价格、上下文特征时间戳、位置等分别进行编码得到一系列特征向量然后通过复杂的特征交叉层如DeepFM中的FM层、DCN中的交叉网络、或Transformer中的自注意力机制来学习这些特征之间的高阶非线性关系最终预测交互概率。2.1 传统范式的三个关键瓶颈这种范式存在几个内在的瓶颈第一信息损失与归纳偏置过早引入。在将原始交互样本拆解为独立特征的过程中样本作为一个整体的、有机的信息实体被破坏了。模型被迫从这些分离的特征中重新学习它们之间的关联而这个学习过程充满了我们预先设定的归纳偏置例如通过特定的网络结构来建模特征交叉。这可能导致模型无法发现数据中潜在的、更复杂的样本级模式。第二动态上下文建模的碎片化。用户的兴趣和决策是高度情境依赖的。传统方法需要显式地将上下文特征如“周末晚上”、“移动端”、“在搜索‘礼物’之后”作为独立的特征输入并期望模型能学会它们如何调节用户-物品关系。这个过程是间接且困难的。而样本级token天然地将所有这些上下文信息“封装”在内模型可以直接学习在不同上下文“包装”下的样本模式。第三不利于统一多任务学习。一个理想的统一推荐大模型应该能处理点击率预测、转化率预测、时长预测、序列推荐等多种任务。传统上我们需要为不同任务设计不同的标签和损失函数但特征输入层面大同小异。SIF认为不同任务本质上关注的是样本的不同侧面。将样本作为基本单元可以让模型在不同任务的监督下从同一个样本token中提取出与任务相关的不同表征从而实现更优雅、参数效率更高的多任务统一建模。2.2 SIF的核心命题与类比因此SIF提出了一个根本性的命题推荐系统中的基本建模单元应该从“物品”升级为“样本”。这里的“样本”指的是一个完整的交互事件实例它唯一地由(用户, 物品, 上下文, 交互类型)等维度共同定义。一个生动的类比是自然语言处理中的分词Tokenization。早期的方法可能将“深度学习”分为“深”、“度”、“学”、“习”四个字来处-理但显然“深度学习”作为一个整体具有独立的语义。现代分词器如BPE、WordPiece会将其作为一个单独的token。同样在推荐中“用户A在周五晚上用手机点击了商品B”这个事件其含义远非“用户A”、“周五晚上”、“手机”、“商品B”这几个独立特征的简单叠加。它是一个具有完整语义的“推荐词汇”SIF的目标就是构建一个能识别和处理这类“词汇”的“推荐分词器”Recommender Tokenizer。3. SIF框架的架构设计与实现细节论文提出了一个完整的SIF框架来实现上述思想其核心是一个两阶段流程样本级分词器Sample-Level Tokenizer和基于Transformer的统一推荐大模型。3.1 阶段一构建样本级分词器这是SIF最具创新性也最技术性的部分。目标是将一个原始的、高维的、异构的交互样本映射到一个低维的、稠密的、离散的token ID。这个过程类似于NLP中从句子到token ID序列的映射。输入表示一个样本s_i 由其所有原始特征构成包括用户特征如ID、人口属性、物品特征如ID、类别、标签、上下文特征时间、地点、平台以及交互反馈点击、购买、评分。这些特征通常被编码为多领域的稀疏特征向量。分词器架构论文采用了基于乘积量化Product Quantization, PQ的向量量化Vector Quantization, VQ方法。具体步骤如下特征拼接与投影将所有稀疏特征向量拼接起来并通过一个浅层神经网络如MLP投影到一个统一的D维语义空间得到样本的稠密表示e_i。码本学习学习K个码本Codebook每个码本包含M个原型向量Prototype Vector。这K个码本可以理解为从不同角度如用户意图、物品属性、上下文风格对样本空间进行划分的字典。量化编码对于样本表示e_i将其分割为K个子向量。每个子向量在对应的码本中寻找最接近的原型向量用其索引一个整数表示。最终样本s_i 被编码为K个整数构成的序列[c_i1, c_i2, ..., c_iK]这就是该样本的“token”。为了后续处理这个整数序列通常会被进一步映射为一个唯一的样本Token ID或者直接作为K个独立的token输入下游模型。注意这里的产品量化技巧是关键。它允许我们用K * log2(M)比特的离散编码来表示一个高维样本实现了极大的压缩同时保留了主要信息。码本是在大规模样本数据上离线学习得到的一旦学习完成分词过程就是高效的前向查找。与物品ID分词的本质区别传统的物品ID embedding每个ID是一个独立的、可学习的向量不同ID之间缺乏显式的结构关系。而SIF的样本token是通过量化产生的共享同一套码本的原型向量。这意味着语义相似的样本即使涉及不同的用户和物品会被量化到相同或相近的原型向量上从而在表示空间中生成了有意义的聚类结构。这种结构是数据驱动的而非人为预设的。3.2 阶段二基于Transformer的统一建模获得样本级token序列后就可以将其输入一个标准的Transformer编码器如BERT进行建模。输入序列构造对于一个用户他/她的历史交互行为被转化为一个样本token序列[S1, S2, ..., S_L]按时间顺序排列。这与NLP中处理句子单词序列完全一致。模型训练可以采用类似BERT的掩码语言模型MLM方式进行预训练。随机掩码序列中的一部分样本token让模型根据上下文去预测被掩码的token。这种预训练任务迫使模型深入理解样本token之间的时序关系和语义关联。下游任务适配对于不同的下游任务如下一项预测、点击率预测只需在Transformer的顶部添加一个简单的任务特定头如一个MLP而模型的主干参数可以完全共享。因为样本token已经包含了完成任务所需的绝大部分信息。3.3 实操要点与参数选择心得在复现或理解SIF思想时有几个关键点需要特别注意特征预处理与归一化输入分词器的各领域特征其数值范围和分布差异巨大。必须进行仔细的归一化处理如分桶、标准化否则投影网络的学习会极不稳定码本容易偏向数值量级大的特征。我的经验是对于数值型特征先做对数变换再标准化效果通常不错对于类别型特征嵌入维度不宜过大避免主导样本表示。码本大小K和M的权衡K码本数量和M每个码本的原型数共同决定了分词器的表达能力。K*M越大样本表示的区分度越高但也会增加码本学习的难度和过拟合风险。论文中通常设置K在4-8之间M在1024-8192之间。一个实用的技巧是从较小的值开始观察量化重构误差然后逐步增加直到误差下降平缓。投影网络的深度将稀疏特征投影到稠密语义空间的MLP不宜过深。通常1-2层就足够了。过深的网络可能会让分词器过于复杂失去压缩和概括的意义也容易在量化误差和重构误差之间产生难以调和的矛盾。分词器的更新策略样本分布会随着时间变化概念漂移。码本需要定期或不定期地更新。一种策略是采用“滑动窗口”方式只用最近一段时间的数据重新训练分词器。另一种更轻量的方法是引入一个在线学习的“适配层”微调投影网络而冻结码本。4. SIF的优势、挑战与影响范围分析4.1 带来的核心优势更强的表征能力样本级token封装了细粒度的交互情境信息使模型能捕捉到传统方法难以触及的动态模式。例如它能区分“工作日通勤时刷新闻的点击”和“周末晚上休闲时购物的点击”即使点击的是同一个新闻APP或商品。统一建模的优雅性它为构建真正的“推荐大模型”提供了优雅的基座。所有任务共享同一套样本词汇表和Transformer主干极大提高了参数效率并促进了任务间的知识迁移。对冷启动的潜在缓解对于新物品或新用户只要其参与的交互样本能与已有样本在语义上相似即被量化到相似的码本索引它就能从相似的样本token中获益从而获得比纯ID更合理的初始表征。序列建模的自然性将用户历史视为样本token序列使得应用最先进的序列模型如Transformer变得无比自然和直接不再需要为如何融合多模态特征而设计复杂结构。4.2 面临的实践挑战分词器训练开销学习高质量的码本需要在大规模数据上进行离线训练这个过程计算成本不低且对初始化和超参数敏感。序列长度爆炸用户历史交互可能很长将所有交互都转为样本token会导致输入序列长度急剧增加对Transformer的计算和内存带来挑战。需要结合高效的注意力机制如Longformer、Reformer或序列裁剪策略。实时性要求在线服务时对于一个新的交互请求需要实时进行特征提取、投影和量化编码以得到样本token这比直接查找物品ID embedding要多出几个步骤可能增加少量延迟。可解释性降低模型现在基于抽象的样本token做决策而不是直观的用户特征和物品特征。这使得理解模型“为什么推荐这个”变得更加困难需要开发新的可解释性工具来解读样本token的语义。4.3 对推荐系统领域的影响SIF的思想代表了一种范式的转变它可能在未来几年内深刻影响推荐系统的研究和工程实践研究方向它会推动更多关于“推荐表征基础单元”的研究。如何设计更高效的样本分词器如何将多模态信息如图像、文本更好地融入样本表示如何为样本token设计更有效的预训练任务工程架构推荐系统的基础设施可能需要调整以支持样本级特征的实时计算、编码和索引。特征平台和模型服务之间需要更紧密的协作。模型设计基于SIF的统一大模型可能会成为新的基线模型。围绕它会衍生出如何做增量更新、如何做多任务权衡、如何做蒸馏压缩等一系列新的技术问题。5. 常见问题与实现避坑指南在实际尝试SIF思路时我遇到或预见到一些典型问题这里分享排查思路和解决建议。问题一量化误差导致模型性能下降现象下游Transformer模型的预测精度不如传统的特征交叉模型。排查首先检查分词器的重构误差。计算原始样本投影向量e_i与通过码本重构后的向量\hat{e}_i之间的均方误差。如果误差过大说明信息损失严重。解决增加码本容量K或M。调整投影网络的维度使其与码本表达能力匹配。尝试使用更先进的量化方法如残差量化Residual Quantization或可微分量化如VQ-VAE中的方法。一个重要技巧在训练下游Transformer时可以考虑将量化后的离散token ID和原始的连续样本投影向量e_i同时输入例如将token embedding和e_i的投影相加作为连续信息的补充。这能有效缓解量化带来的信息损失。问题二样本token序列过长训练缓慢现象用户历史序列长Transformer的注意力计算成为瓶颈。解决序列截断与采样只保留最近N个交互或进行随机采样。但要注意这可能会丢失长期兴趣。层次化建模先将短时间窗口内的样本token聚合例如通过平均池化成一个“会话级”token再对会话序列建模。使用高效Transformer集成Linformer、Performer或FlashAttention等机制降低注意力计算复杂度。分段处理将长序列分成固定长度的段分别处理后再用更高层的网络进行融合。问题三在线服务延迟增加现象由于增加了实时分词步骤推荐接口的响应时间P99延迟上涨。排查使用性能分析工具定位耗时瓶颈是在特征计算、投影网络前向传播还是在码本查找最近邻搜索。解决轻量化投影网络将投影MLP设计得更浅、更窄。优化码本查找码本查找本质上是K个最近邻搜索问题。由于M通常不大几千可以为每个码本预先构建查找表或使用优化过的索引。在实际部署时这部分计算可以高度并行化。缓存与预热对于热门用户和物品的组合可以预先计算并缓存其样本token减少实时计算量。问题四概念漂移导致分词器失效现象随着时间推移模型线上效果缓慢衰减重新训练分词器后效果恢复。解决定期重训建立分词器的定期重训流水线例如每周或每月用近期数据全量训练一次。在线自适应在投影网络后加入一个轻量的适配层Adapter该层参数可以在线学习用于微调样本表示以适应新分布而冻结主投影网络和码本。增量更新码本研究增量式的量化学习方法允许码本原型向量随着新数据缓慢演化。SIF框架将“样本”提升为推荐系统的一等公民这个视角转换充满了洞察力。它不仅仅是一个新的模型架构更是一种重新思考推荐问题本质的方式。尽管在工程落地上会面临挑战但其在统一表征、捕捉动态上下文、以及适配大模型范式方面的潜力使得它成为构建下一代推荐系统必须认真对待的技术方向。从我个人的实践角度看与其一开始就追求全盘替换现有的特征工程体系不如先从某个垂直场景如短视频信息流开始试点将SIF作为一种强大的补充特征与传统物品ID、用户画像特征一同输入模型观察其带来的增量收益再逐步探索其作为统一基座的可能性。这种渐进式的路线或许能更平稳地将这一前沿思想转化为实际的生产力提升。