ActionPiece 打破传统，将动作序列的tokenization带入上下文维度，革新生成式推荐系统的基础。

• 创新点：不同于按动作独立编码，ActionPiece 利用动作集合的特征模式，结合动作序列上下文，构建频繁共现特征组合词汇表，显著提升推荐模型的表达力。
• 机制细节：初步将每个动作表示为一组item特征，基于大规模动作序列语料，合并局部及相邻动作中的频繁共现特征，实现高效token合并。
• 应用示范：涵盖“Sports and Outdoors”、“Beauty”、“CDs and Vinyl”等多个类别，支持自动下载数据集及超参数灵活调整，方便复现实验及模型调优。
• 技术栈：提供PyTorch实现，配合CUDA加速训练，支持设置随机种子、权重衰减、学习率及哈希桶数量等，适合科研与工业落地。
• 价值体现：通过上下文感知的tokenization，突破传统生成推荐独立动作假设，增强模型对动作序列复杂依赖的捕捉能力，为提升个性化推荐质量提供新路径。
• 开源承诺：代码遵循Apache 2.0协议，数据和tokenizer采用CC-BY 4.0授权，方便社区贡献和二次开发。

深入了解并复现本项目，推动生成推荐系统向更精准、更智能方向发展。🔗github.com/google-deepmind/action_piece

#生成推荐# #动作序列# #机器学习# #推荐系统# #深度学习#