作者:京東零售 王彗木

東方若曉，莫道君行早

EMNLP 2024: Breaking the Hourglass Phenomenon of Residual Quantization: Enhancing the Upper Bound of Generative Retrieval

paper鏈接： https://arxiv.org/abs/2407.21488v1

0 摘要

生成式搜索/推薦在搜索和推薦系統中已經成為一種創新的范式，它通過使用基于數值的標識符來提升效率和泛化能力。特別是在電子商務領域，像TIGER這樣的方法使用基于殘差量化的語義標識符（RQ-SID），表現出了很大的潛力。然而，RQ-SID面臨一個被稱為“沙漏”現象的問題，即中間碼本令牌過于集中，限制了生成式搜索/推薦方法的全面發揮。本文通過研究發現，路徑稀疏和長尾分布是造成這一問題的主要原因。我們通過一系列詳細的實驗和消融研究，分析了這些因素對碼本利用率和數據分布的影響。結果表明，“沙漏”現象對RQ-SID的性能有顯著影響。我們提出了一些有效的解決方案，成功改善了生成式任務在實際電子商務應用中的效果。

1 背景

在生成式搜索/推薦中，基于數值的標識符表示方法因其簡單、高效和強大的泛化能力而在行業中被廣泛采用，特別是在長行為序列推薦中。這些方法顯著縮短了序列長度并加快了推理過程。值得注意的方法包括DSI、NCI、TIGER、GDR和GenRet。其中，TIGER方法通過殘差量化（RQ）（Lee等，2022；Zeghidour等，2021）生成語義標識符（SID），有效捕捉了語義信息和層次結構。這種方法在以商品為主的電子商務場景中特別有優勢，能夠準確反映電子商務數據中固有的復雜層次關系和語義特征，從而顯著提升推薦性能。

需要強調的是，基于RQ的方法的性能上限在很大程度上依賴于SID的生成，這也是本文分析和討論的核心重點。

2 任務定義

?

基于現有常見的任務場景，定義如下任務【注意：任務形式不限于下列任務，只要是含有SID的任務均可】：該用戶信息：年齡：age_2；性別：男性；會員狀態：非會員。該用戶的歷史交互行為有：，……。該用戶本次搜索的關鍵詞為“XX鼠標”。請根據該用戶信息、歷史交互行為和本次搜索關鍵詞，預測該用戶接下來最可能購買的商品：

3 RQ-VAE SID生成

?

SID生成，谷歌的TIGER方法用的比較廣泛。它通過殘差量化RQ生成語義標識符（SID），能夠有效捕捉語義信息和層次結構。這種方法在以商品為主的電商場景中尤其有優勢，因為它能夠準確反映電商數據中的復雜層次關系和語義特征，從而顯著提升推薦性能。

4 沙漏現象

?

在通過殘差量化（RQ）生成的SID中，我們觀察到了一種顯著的“沙漏”現象。具體而言，中間層的碼本過于集中，導致了一對多和多對一的映射結構。這種集中現象引發了路徑的稀疏性和長尾分布問題。路徑稀疏性是指匹配路徑僅占總路徑空間的一小部分，而長尾分布則意味著大多數SID集中在少數的頭部標記上，中間層標記的分布呈現長尾特征。在具有長尾特征的數據集中，這種“沙漏”效應尤為明顯，顯著限制了生成式搜索推薦方法的表示能力。問題的根源在于逐步量化高維向量殘差的內在特性。基于此，我們對該現象進行了深入的理論與實驗分析，并提出了相應的解決方案。

4.1 沙漏現象可視化

為了生成語義ID，我們首先利用公司內部數十億條搜索日志中的查詢-商品數據，訓練了雙塔模型（如DSSM和BERT等）。接著，通過商品塔獲取了數億商品的嵌入向量，最終采用殘差量化（RQ）方法為所有商品生成了語義ID。

?

生成語義ID后，對所有商品進行了聚合，并計算了三層分布圖。如上圖所示，可以看到第二層集中有大量路由節點，整體分布呈現“沙漏”現象。為了驗證這一現象的普遍性，我們在不同參數組合下進行了多次可視化實驗，沙漏效應非常顯著，三層代碼表中token的路徑分布相對稀疏。

?

此外，基于上述實驗，我們使用三個指標對第二層的標記分布進行了統計分析：熵、基尼系數和標準差，如圖所示。結果表明，第二層的標記分布表現出低熵、高基尼系數和大標準差，表明該分布具有顯著的不均勻性。

總體而言，這種沙漏現象在代碼表中通過路徑稀疏性和token的長尾分布得到了統計數據支持。其中，

路徑稀疏性：語義ID結構導致代碼表利用率低。

長尾分布：在中間層，大多數路徑集中到單個token上

4.2 現象分析

為了探討“沙漏”現象的成因，將基于殘差量化（RQ）的運行機制進行深入分析和討論。為了便于理解，考慮兩種原始嵌入的分布：非均勻分布和均勻分布。接下來，使用RQ為數據X生成語義ID。

?

可以看到，第一層，候選點被分成M個聚類桶，token的入度相等。輸入分布均勻。第二層輸入為第一層的殘差，分布非均勻。小殘差點靠近聚類中心，異常值較大。聚類更關注異常值，形成長尾現象。第三層殘差值變得一致且均勻。類似第一層的均勻分布。第二層大路由節點分散成多個小節點。整體趨勢隨層數增加，殘差減小，聚類效應減弱。形成沙漏狀結構：數據壓縮再擴展，最終均勻分布。語義ID構建后，RQ量化方法的影響，加上中間層頭部token的主導地位，自然導致了路徑的稀疏性。類似地，對于非均勻分布（如長尾分布），殘差分布變得更加不均勻，導致現象更加嚴重。

4.3 實際影響

為了評估這種現象的影響，我們進行了多項實驗。首先，在評估過程中，我們根據第二層標記的分布將測試集分為兩組：頭部標記測試集和尾部標記測試集。如表所示，頭部標記測試集的性能顯著提升，而尾部標記測試集的性能則明顯較差。這種性能差異可以歸因于先前分析的路徑稀疏性和標記的長尾分布，導致了結果的偏差。這一現象在不同規模的模型（如LLaMA2、Baichuan2和Qwen1.5）以及不同參數的殘差量化（RQ）中均有觀察到，突顯出長尾標記分布和路徑稀疏性對模型性能的廣泛影響。

此外，為了進一步探討“沙漏”現象對模型性能的影響，我們進行了兩個關鍵實驗：1）交換第一層和第二層的標記，2）將交換序列的第一個標記作為輸入。

在僅交換第一層和第二層標記的情況下，第一層出現顯著的長尾分布，導致模型難以擬合，從而效果較差。由于逐標記錯誤的累計，交換后的效果甚至比不交換更差。然而，當交換后給定第一個標記時，輸出任務變為預測第二或第三層的SID，這使得任務變得更簡單，并且長尾分布不再影響結果（因為給定了真實的SID1），因此效果顯著提升。此外，在不交換第一層和第二層的條件下，給定第一個標記（第二層SID依舊是長尾分布），其結果高于基線，但低于交換后給出第一個標記的情況（如表所示）。

這一發現表明，“沙漏”現象對模型性能有著實質性的負面影響。通過上述實驗，不僅確認了“沙漏”效應的存在，還闡明了其對模型性能的具體影響，從而為未來的優化提供了堅實的基礎。

5 解決方法

?

解決沙漏現象的方法有多種，在此簡單的從分布角度提出兩種簡單易行的方法：一種啟發式的方法是直接移除第二層，從而消除長尾效應的影響。然而，這可能導致空間容量不足。需要注意的是，這里首先要生成一個L層的語義ID（SID），然后再移除第二層，這與直接生成一個兩層的SID不同，因為后者可能仍然存在大的路由節點。另一種簡單的方法是自適應地移除第二層的頂部tokens，使語義ID成為一個可變長度的結構。這里使用了top@K策略，并設定一個閾值p。這種方法確保了分布保持不變，同時有選擇地減少了“沙漏”效應的影響。

為了進一步驗證該方法的有效性，在LLaMA模型上進行了實驗。結果表明，通過應用自適應token移除策略，模型性能得到了提升，同時計算成本與基礎模型相近，并且在一些客觀優化（如Focal Loss和Mile Loss）方面也表現出色。

具體來說，實驗結果顯示，使用top@400 token移除策略的模型在大多數評估指標上都優于基線模型。這表明該方法有效地減少了長尾效應的影響。隨著移除的tokens數量增加，模型性能的提升會遇到瓶頸。特別是當所有tokens都被移除時，這種限制尤為明顯，這可能是由于缺少長尾tokens，導致召回率下降。同時，直接移除第二層會導致一個SID對應多個項目。這種細粒度的分析為所提出方法的有效性提供了有力證據。該方法在選擇性移除不太重要的tokens的同時，保留了最有信息量的tokens，即使在移除大量數據的情況下，也能提升模型性能。

6 結論

本研究系統地探討了RQ-SID在生成式搜索/推薦的局限性，特別是發現了中間層tokens過度集中導致數據稀疏和長尾分布的“沙漏”現象。通過廣泛的實驗和消融研究，證明了這一現象，并分析了其根本原因在于殘差特性。為了解決這個問題，提出了兩種方法：移除第二層的啟發式方法和自適應調整token分布的可變長度token策略。實驗結果顯示，兩種方法都有效緩解了瓶頸效應，其中自適應token分布調整策略效果最佳。這是首次系統性地探討RQ-SID在生成式搜索/推薦中缺陷的研究，為未來的模型優化提供了堅實的基礎，并顯著提升了模型性能。

7 未來規劃

1、 優化SID的生產與表征方式，通過引入時效、統計類特征來輔助額外表征，讓其能滿足對特征極為看重的排序需求；

2、 統一稀疏表征（SID）與密集表征，讓LLM可以顯示的建模密集特征變化趨勢，而不是稀疏表征的映射

3、 保證鏈路無損失實現一段式搜索。

審核編輯 黃宇