Knowledge-Geometry Decoupling: Refreshable Pretrained Transfer for Streaming Recommendation

• 类型：arxiv
• 标识：2608.02738
• 链接：https://arxiv.org/abs/2608.02738
• 主分类：engineering
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Knowledge-Geometry Decoupling (KGD) is proposed and Behavioral Multi-Token Prediction (BMTP) is introduced to retain only collaboratively or semantically related future items as supervision, yielding cleaner and more transferable behavioral knowledge.
• OpenAlex ID：W7172491294
• OpenAlex DOI：10.48550/arxiv.2608.02738
• DOI：10.48550/arxiv.2608.02738
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2608.02738
• OpenAlex更新：2026-08-29
• 待LLM分类：否
• 标题中文：知识-几何解耦：面向流式推荐的可刷新预训练迁移
• TLDR中文：提出 Knowledge-Geometry Decoupling (KGD) 并引入 Behavioral Multi-Token Prediction (BMTP)，仅将协作或语义相关的未来项作为监督，从而得到更干净、更可迁移的行为知识。
• 来源文件：
• /inbox/tom/_candidates/2026-08-05-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]