在瞬息万变的互联网世界里用户体验是决定成败的关键。对于潮流电商平台得物而言，精准的商品推荐至关重要。然而传统的推荐系统往往面临着信息茧房、兴趣同质化等挑战。为了打破这些壁垒，得物开始拥抱新兴的生成式召回技术，试图为用户带来geng加个性化、多样化的购物体验。这不仅仅是一次技术的升级迭代，geng是一场对传统推荐范式的深刻变革。

传统的推荐系统大多采用判别式模型，通过匹配用户的历史行为和商品特征来预测用户可Neng感兴趣的商品。这种方法虽然有效，但存在一些固有的局限性：它只Neng“匹配Yi知”，难以发现用户潜在的兴趣；容易陷入信息茧房，导致推荐结果过于单一；并且难以处理冷启动问题——对于新用户或新商品，缺乏足够的历史数据进行匹配。

生成式召回则是一种全新的思路。它借鉴了生成式大模型的理念，通过预测用户下一个可Neng点击的内容来实现召回。这种方法Neng够跳出“Yi知”的限制，发掘用户的潜在兴趣；Neng够生成geng加多样化的候选集，打破信息茧房；并且Neng够geng好地处理冷启动问题——即使缺乏历史数据，也Ke以基于用户的画像和商品的特征进行预测。

实现高效的向量检索是构建生成式召回的基础。得物选择了DiskANN作为核心技术之一。DiskANN :以 磁盘存储优化 为核心,在保证较高召回率的同时 显著降低硬件成本 ,适用于大规模数据下的经济型检索需求。.在AI鉴别、图搜、算法、安全风控等场景下dou广泛使用啦GenAI技术。.向量数据库作为GenAI的基础设施之一,通过量化的高维空间数据结构,实现对嵌入向量的高效存储、索引和Zui近邻搜索,支撑包括多模态数据表征在内的复杂智Neng应用。

得物的生成式召回在线上推理时遵循"生成→向量化→检索→重排"的四步流程，兼顾了生成式模型的预测Neng力与向量检索的效率。

当前方案以一级类目作为生成目标，这是考虑到类目体系的稳定性和可解释性。下一步将基于社区样本训练 Item Embedding，并将 Item Token 离散化与用户 Next-Token 生成任务联合训练。这一演进将实现从粗粒度到细粒度的兴趣预测，提升召回的精准度。

生成的类目会经过embedding过程转化为向量表示. 这些embedding向量将会被存入向量数据库中.

. 通过条件双塔 user_tower 分别得到图文和视频的用户兴趣向量实现解耦.

.各兴趣向量分别进行 ANN 进行相似度查找.

.重排模型与生成式模型联合训练通过多任务学习提升精度.

.推理过程 通过Decoder 生成 Top K 一级类目.经过离线recall@参数搜索对比K = 为Zui优配置.

. 多兴趣召回的具体实现包含odps C++引擎 dpp neuron预估服务端

.探索利用多模态信息geng丰富的用户表示尝试跨业务域迁移.

. 得物的实践表明通过 “ 生成 +引导” 的路径Ke以在可控成本下实现消费深度广度的双重提升提供参考.

.面临三个方面挑战算力焦虑 模型迭代效率 模型变化不Neng发挥优势构建以大模型Neng力基础为核心架构拿到geng好效果..