MuSID-KD优化语义ID推荐蒸馏

MuSID-KD 针对语义 ID 生成式推荐中的蒸馏问题提出改进，结合 HCDA 分层候选分布对齐与 RIGD 排序影响引导逐层蒸馏，保留共享 SID 前缀候选组的排序信息并优化多位置解码监督。实验覆盖多个真实推荐数据集和三种轻量学生架构，显示推荐精度提升且推理更高效。

MuSID-KD 论文提出面向语义 ID（SID）生成式推荐的跨物品与代码空间蒸馏目标，将串行推荐器的物品级打分知识按排序影响加权迁移给并行 SID 模型。该方法在降低多位置自回归解码推理成本的同时，提升了推荐效果。