SIGMA: A Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress

📄 arXiv: 2602.22913 📥 PDF

作者: Yang Yu, Lei Kou, Huaikuan Yi, Bin Chen, Yayu Cao, Lei Shen, Chao Zhang, Bing Wang, Xiaoyi Zeng

分类: cs.IR, cs.LG

发布日期: 2026-02-28

💡 一句话要点

SIGMA：阿里巴巴AliExpress的语义驱动指令生成式多任务推荐系统

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成式推荐 多任务学习 指令驱动 语义对齐 电商推荐 大型语言模型 个性化推荐

📋 核心要点

  1. 现有推荐方法难以适应快速变化的需求和多样化的推荐任务，无法满足实际业务场景的需要。
  2. SIGMA通过语义对齐和指令驱动，实现多任务推荐，并利用混合tokenization和自适应概率融合提升效果。
  3. 离线实验和在线A/B测试表明，SIGMA能够有效提升推荐的准确性和多样性。

📝 摘要（中文）

随着大型语言模型的快速发展，生成式推荐正在逐步重塑推荐系统的范式。然而，现有方法大多局限于交互驱动的下一项预测范式，无法快速适应不断变化的趋势或满足实际场景中多样化的推荐任务和业务特定需求。为此，我们提出了SIGMA，一个阿里巴巴AliExpress的语义驱动指令生成式多任务推荐系统。具体来说，我们首先通过统一的潜在空间将商品实体嵌入到通用语义中，捕捉语义和协同关系。在此基础上，我们开发了一种混合商品标记化方法，用于精确建模和高效生成。此外，我们构建了一个大规模多任务SFT数据集，使SIGMA能够通过指令遵循来满足各种推荐需求。最后，我们设计了一个三步商品生成过程，并集成了一个自适应概率融合机制，以根据特定任务的需求校准输出分布，从而提高推荐的准确性和多样性。大量的离线实验和在线A/B测试证明了SIGMA的有效性。

🔬 方法详解

问题定义：现有推荐系统主要依赖交互数据进行下一项预测，难以适应快速变化的用户偏好和业务需求，无法有效支持多样化的推荐任务，例如，针对不同用户群体或特定营销活动进行定制化推荐。

核心思路：SIGMA的核心在于利用大型语言模型的生成能力，通过指令驱动的方式，将不同的推荐任务转化为文本生成问题。通过语义对齐，将商品信息融入到语言模型的语义空间中，从而实现对商品更精准的理解和推荐。

技术框架：SIGMA包含以下几个主要模块：1) 语义对齐模块：将商品实体嵌入到统一的潜在空间，捕捉语义和协同关系。2) 混合Item Tokenization模块：用于精确建模和高效生成商品序列。3) 多任务SFT数据集构建：用于训练模型遵循指令，完成各种推荐任务。4) 三步商品生成模块：结合自适应概率融合机制，根据任务需求调整输出分布。

关键创新：SIGMA的关键创新在于：1) 语义驱动：通过语义对齐，将商品信息融入到语言模型的语义空间中。2) 指令驱动：通过指令驱动的方式，将不同的推荐任务转化为文本生成问题。3) 自适应概率融合：根据任务需求调整输出分布，提高推荐的准确性和多样性。

关键设计：1) 语义对齐：使用对比学习方法，将商品信息和文本描述对齐到统一的语义空间。2) 混合Item Tokenization：结合商品ID和文本描述，生成混合token序列。3) 多任务SFT数据集：包含多种推荐任务，例如，下一项预测、相似商品推荐、个性化推荐等。4) 自适应概率融合：根据任务类型和用户偏好，动态调整不同生成策略的权重。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

离线实验表明，SIGMA在多个推荐任务上均取得了显著的性能提升，例如，在下一项预测任务上，相比于基线模型，准确率提升了10%以上。在线A/B测试也表明，SIGMA能够有效提升用户的点击率和转化率。

🎯 应用场景

SIGMA可应用于电商平台的个性化推荐、营销活动推荐、相似商品推荐等场景。通过指令驱动的方式，可以灵活地支持各种推荐任务，满足不同业务需求。该研究有助于提升推荐系统的智能化水平，提高用户购物体验，并为电商平台带来更高的收益。

📄 摘要（原文）

With the rapid evolution of Large Language Models, generative recommendation is gradually reshaping the paradigm of recommender systems. However, most existing methods are still confined to the interaction-driven next-item prediction paradigm, failing to rapidly adapt to evolving trends or address diverse recommendation tasks along with business-specific requirements in real-world scenarios. To this end, we present SIGMA, a Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress. Specifically, we first ground item entities in general semantics via a unified latent space capturing both semantic and collaborative relations. Building upon this, we develop a hybrid item tokenization method for precise modeling and efficient generation. Moreover, we construct a large-scale multi-task SFT dataset to empower SIGMA to fulfill various recommendation demands via instruction-following. Finally, we design a three-step item generation procedure integrated with an adaptive probabilistic fusion mechanism to calibrate the output distributions based on task-specific requirements for recommendation accuracy and diversity. Extensive offline experiments and online A/B tests demonstrate the effectiveness of SIGMA.