[论文解读] Generative Recommendation: Towards Next-generation Recommender Paradigm

Wenjie Wang, Xinyu Lin+3 more|arXiv (Cornell University)|Apr 7, 2023

Generative Adversarial Networks and Image Synthesis被引用 31

一句话总结

该论文提出 GeneRec，一种生成式推荐 Paradigm 使用 AI 生成器按用户指令和反馈改造或创建物品，包含一致性检查并对微视频内容进行可行性研究。

ABSTRACT

Recommender systems typically retrieve items from an item corpus for personalized recommendations. However, such a retrieval-based recommender paradigm faces two limitations: 1) the human-generated items in the corpus might fail to satisfy the users' diverse information needs, and 2) users usually adjust the recommendations via inefficient passive feedback, e.g., clicks. Nowadays, AI-Generated Content (AIGC) has revealed significant success, offering the potential to overcome these limitations: 1) generative AI can produce personalized items to satisfy users' information needs, and 2) the newly emerged large language models significantly reduce the efforts of users to precisely express information needs via natural language instructions. In this light, the boom of AIGC points the way towards the next-generation recommender paradigm with two new objectives: 1) generating personalized content through generative AI, and 2) integrating user instructions to guide content generation. To this end, we propose a novel Generative Recommender paradigm named GeneRec, which adopts an AI generator to personalize content generation and leverages user instructions. Specifically, we pre-process users' instructions and traditional feedback via an instructor to output the generation guidance. Given the guidance, we instantiate the AI generator through an AI editor and an AI creator to repurpose existing items and create new items. Eventually, GeneRec can perform content retrieval, repurposing, and creation to satisfy users' information needs. Besides, to ensure the trustworthiness of the generated items, we emphasize various fidelity checks. Moreover, we provide a roadmap to envision future developments of GeneRec and several domain-specific applications of GeneRec with potential research tasks. Lastly, we study the feasibility of implementing AI editor and AI creator on micro-video generation.

研究动机与目标

• 突出 AI 生成内容（AIGC）在解决基于检索的推荐系统局限性方面的潜力。
• 定义 GeneRec 范式的三个组成部分：讲师（instructor）、AI 编辑器（AI editor）、AI 创作者（AI creator）。
• 展示针对生成物品的保真性检查（偏见、隐私、安全、真实性、合法性、可识别性）。
• 展示 AI 编辑/创建者在微视频数据上的可行性，并概述未来研究方向。

提出的方法

• 将 GeneRec 作为一个两环范式引入，结合传统检索与使用用户指令和反馈的 AI 生成器。
• 定义三个模块：一个处理指令的讲师（instructor），一个改造现有物品的 AI 编辑器（AI editor），一个生成新物品的 AI 创作者（AI creator）。
• 实施覆盖偏见、隐私、安全、真实性、合法性、可识别性的一致性检查（水印、检测等）。
• 概述评估设置：物品端（质量与保真性）和用户端（满意度）评估。
• 演示使用当代 AIGC 方法（CLIP、RDM、MCVD、VToonify、扩散模型）进行微视频编辑与创建的任务。
• 提供对大规模微视频数据集的可行性研究，实验包括缩略图选择、缩略图生成、剪辑、内容修订与创作。

实验结果

研究问题

• RQ1 AI 生成器能否有效改造或创建物品以满足个性化用户信息需求？
• RQ2 如何通过用户指令和多模态反馈引导内容生成，从而提高相关性和满意度？
• RQ3 哪些保真性与安全机制是可行的，以确保推荐中 AI 生成内容的可信度？
• RQ4 当前的 AIGC 技术是否能够支持微视频内容的 AI 编辑器和 AI 创作者的实际实现？
• RQ5 将生成内容整合到推荐系统中的潜在收益与局限性相比于传统基于检索的方法？

主要发现

• GenRec 能实现内容检索、改造和创作，以满足超出现有物品库的多样化用户需求。
• 保真性检查（偏见、隐私、安全、真实性、合法性、可识别性）对于可信的生成内容至关重要。
• 在微视频可行性研究中，AI 编辑任务（缩略图选择/生成、剪辑、内容修订）相对基线显示出性能提升，RDM/大扩散基方法在某些任务上表现最好。
• 使用 CLIP 的 AI 编辑器进行个性化缩略图选择，在 Cosine@K 和 PS@K 指标上优于 Random/Original 基线；RDM 在缩略图生成方面取得最佳结果。
• 通过 CLIP 的微视频剪辑在 Cosine@K 和 PS@K 指标上始终优于基线。
• 基于 MCVD 的微视频内容修订与创作在以用户嵌入或历史偏好为引导时可以提升用户对齐结果，尽管与无条件生成相比仍存在一些质量差距。
• 创作任务在短期内显示更高的余弦相似度但 FVD 分数较高，表明当前在全面满足个性化生成方面存在局限。