字节发布用于序列推荐的分层大模型 HLLM 技术解析

近期，Meta 发布的 HSTU 点燃了业界对 LLM4Rec（大语言模型用于推荐系统）的热情。探索推荐领域的 Scaling Law、实现推荐的 ChatGPT 时刻、取代传统推荐模型等话题引发了广泛讨论。然而，理想与现实之间仍存在差距，尚未有业界公开工作真正复刻 HSTU 的辉煌。这既可能是因为落地过程中存在诸多挑战，也可能是因为 Meta HSTU 的基线设置相对较弱，导致在竞争激烈的国内推荐领域难以产生突破性效果。

尽管实施困难，但总需要先行者迈出这一步。字节跳动于 2024 年 9 月 19 日在 arXiv 上公开了名为 HLLM（Hierarchical Large Language Model，分层大语言模型）的工作。该论文遵循并扩展了 HSTU 的思路，针对序列推荐任务提出了新的架构。

1. 背景与挑战

1.1 传统推荐问题

传统推荐系统的核心在于建模 User 和 Item 的特征。主流方法是基于 ID（ID-based），将用户和物品转化为 ID 并构建对应的 Embedding 表。这种方法存在以下局限性：

冷启动问题严重：严重依赖 ID Feature，对于新物品或新用户表现不佳。
表达能力有限：模型参数较小，难以建模复杂且多样的用户兴趣变化。

1.2 LLM 在推荐中的探索方向

过往利用 LLM 进行推荐探索主要分为三类：

利用 LLM 提供额外信息给推荐系统。
将推荐系统转变为对话驱动的形式。
修改 LLM 输入输出机制，例如直接输入 ID Feature 给 LLM。

1.3 LLM4Rec 的核心挑战

将 LLM 应用到推荐系统面临两个主要问题：

输入复杂度：在相同时间跨度下，相比 ID-based 方法，LLM 的输入更长，计算复杂度更高。
性能提升不明显：相对于传统方法，LLM-based 方法的性能提升往往不显著。

为此，研究重点评估了三个关键问题：

预训练权重的价值：模型权重蕴含世界知识，如何激活这些知识？是否只能使用文本输入？
微调的必要性：直接使用 Pretrain 模型还是需要进行进一步微调？
Scaling Law 特性：LLM 是否可以应用在推荐系统中并呈现规模效应？

2. 方法详解

HLLM 架构分为 Item LLM 和 User LLM 两部分，两者参数不共享，均可训练并通过 Next Item Predict 进行优化。

2.1 架构设计

Item LLM：以物品的描述信息作为输入，包括 Title、Tag、Description，最后添加一个特殊 Token [ITEM]。该 Token 对应的输出代表该物品的 Embedding。可以直接基于预训练好的模型（如 Llama、Baichuan）进行训练。
User LLM：输入为用户历史交互序列，序列中每个 Item 由 Item LLM 生成的 Embedding 表示。由于输入并非原始文本 Token，因此去除了预训练模型的 Word Embedding 层。

2.2 优化目标

推荐系统通常分为生成式推荐与判别式推荐，HLLM 同时应用了这两种范式。

生成式推荐

针对 User LLM，采用 InfoNCE Loss 作为生成损失。对于某个正样本物品，模型输出其嵌入，随机抽取的其他物品作为负样本。这种将对比学习融入预测的设计非常巧妙。

生成式损失函数定义如下： $$ \mathcal{L}{gen} = -\log \frac{\exp(sim(u_t, i{t+1})/\tau)}{\sum_{k=1}^{K} \exp(sim(u_t, i_k)/\tau)} $$ 其中，$sim$ 为相似度函数，$u_t$ 为用户 $t$ 的历史交互嵌入，$i_{t+1}$ 为目标物品嵌入，$K$ 为负采样数量。

判别式推荐

业界主流仍为判别式推荐，HLLM 同样支持。给定用户行为序列和一个目标 Item，模型预测用户对该 Item 感兴趣程度（如点击、购买）。

融合策略分为两种：

Early Fusion：将 Item LLM 输出的 Embedding 直接拼接到序列后输入给 User LLM，对应位置输出做分类。效果好但效率低。
Late Fusion：类似于 Item LLM，使用 User LLM 提取用户 Embedding，即 [USER] 拼到序列后输入给 User LLM，将对应位置输出与目标 Item 拼接做分类。效果略差但效率高。实际落地使用的是 Late Fusion。

预测为二分类问题，训练损失函数为交叉熵损失： $$ \mathcal{L}{cls} = -[y \log(x) + (1-y) \log(1-x)] $$ 此外，Next Item Prediction 可作为辅助损失进一步提升性能，最终损失函数为： $$ \mathcal{L}{total} = \mathcal{L}{cls} + \lambda \mathcal{L}{next} $$

3. 实验结果

3.1 公开数据集实验

数据集：PixelRec、Amazon Book。
Baseline：SASRec、HSTU。
模型设置：HLLM-1B（基于 TinyLlama-1.1B）、HLLM-7B（基于 Baichuan2-7B）。
训练轮次：HLLM 仅训练 5 个 Epoch，而对比方法需 50-200 Epoch。

离线实验表明，HLLM 在生成式推荐设置下，效果优于 SASRec 和 HSTU。在线 A/B 实验则采用判别式推荐 + Late Fusion 配置。

3.2 在线 A/B 实验

模型：HLLM-1B。
训练策略：三阶段训练法。
1. 阶段 1：端到端训练 HLLM（Item LLM + User LLM），用户行为长度截断为 150 以加速。
2. 阶段 2：固定 Item LLM，缓存所有 Item Embedding，只训练 User LLM，用户行为长度扩大至 1000。
3. 阶段 3：提取 User Feature 和 Item Feature 喂给线上模型训练，HLLM 权重不再改变。
推理优化：Item Embedding 创建时提取并缓存，User Embedding 天级别更新（仅在用户发生交互时更新）。线上推理时间基本无变化。
结果：重要指标提升 0.705%。

4. 关键问题分析

4.1 微调 vs 预训练

结论 1：对于 Item LLM 和 User LLM，基于预训练权重进行微调效果更好。
结论 2：预训练使用的 Token 越多，效果越好。若预训练后进行 SFT（指令微调），效果反而下降，原因可能是 SFT 仅训练了指令跟随能力，对推荐任务本身无益。
结论 3：Item LLM 和 User LLM 联合训练效果最佳。

4.2 Scaling 特性

针对 Item 和 User LLM 均进行了 Scaling 实验。结果表明，随着模型参数增大，HLLM 具有显著的 Scaling 特性，性能随模型规模增加而提升。

4.3 对比 SoTA 优势

在相同设置下，HLLM 优于 HSTU。当增加负样本数量和 Batch Size 时，基于 ID 的模型（HSTU）提升有限（HSTU-Large R@200 +0.76），而相同设置的 HLLM-1B 提升显著（+2.44）。

4.4 效率分析

数据需求：相对于 HSTU，HLLM 达到相同性能只需 1/6 至 1/4 的数据量。
推理优化：通过 Cache Item Embedding，可以先训练 Item LLM 并缓存，再训练 User LLM。实验显示，即使 Item Cache 导致性能略微降低，仍优于 HSTU。
工业场景：工业场景下用户行为数据量远大于 Item 数量，成本一致。随着预训练数据量增加，Item Cache 与全量微调之间的 Gap 会大大缩小。

5. 消融实验

5.1 Item LLM 配置

输入特征：Tag + Title + Description + Length=256 效果最好。
Embedding 提取：采用 [ITEM] Token 提取 Embedding 优于 Mean Pooling 方法。

5.2 User LLM 配置

序列长度：输入用户序列长度 Length=50 优于其他短序列。
Embedding 组合：User LLM 生成的 Embedding 优于 Item ID Embedding；加上 Timestamp Embedding 效果最佳。

5.3 工业场景调优

模型规模：7B 模型效果优于小模型。
序列长度：User LLM 输入长度采用 1k 最佳。

6. 总结

字节推出的 HLLM 利用大语言模型提取物品特征并建模用户兴趣，有效地将预训练知识集成到推荐系统中，并证明了基于推荐目标的微调至关重要。HLLM 在更大的模型参数下展现了出色的可扩展性。实验表明，HLLM 优于传统的基于 ID 的模型，在学术数据集上取得了很好的结果。在线 A/B 测试进一步验证了 HLLM 的实际效率和适用性，标志着 LLM4Rec 的重大进展。

该工作为推荐系统与大模型的结合提供了新的思路，特别是在解决冷启动和复杂兴趣建模方面展示了潜力。未来的研究方向可能包括更高效的推理优化、多模态特征的融合以及更大规模的工业级部署验证。