Meta 详解 GenRecs Tokenization：用稳定语义词表改造广告推荐
Meta 工程博客介绍 GenRecs Tokenization，用稳定语义词表替代逐条物品 ID，配合 GEM 与自适应排序模型在广告转化上取得 0.35% 提升，并称有助于冷启动与跨广告系列迁移。
Meta 介绍 GenRecs Tokenization 语义词表方案
Meta 工程博客于 2026 年 10 月 19 日发布文章，介绍其广告推荐系统中的 GenRecs Tokenization。据文章描述，该方案不再为每个物品维护专属 ID，而是用一组来自稳定语义词表的 token 表示广告、商品、页面等条目。文章称，与 Meta 的生成式广告模型（GEM）和自适应排序模型配合使用时，该方案在广告主转化上带来 +0.35% 的提升。该数据标注为 Meta 内部数据，测量时间为 2026 年 2 月。
背景与影响
文章称，GenRecs（Generative Recommenders）的思路是从逐个给广告打分，转向用 LLM 架构同时理解广告内容与用户偏好。语义 token 描述的是物品「是什么」，因此模型可以把从未见过互动记录的新物品，关联到它已熟悉的同类物品上。文章举例说，新一季的越野跑鞋可以继承模型对上一季产品的认知，而不必从零开始建立表示。文章还列出三项用途：加速新实体的学习、支持跨广告系列的经验迁移、以及让语义 token 随 LLM 规模曲线获得收益。文章同时提出聚类纯度、分布均衡度和码本利用率等内在指标，并称在测试的八个 tokenizer 版本中，这些指标与下游排序预测准确度呈较强相关性。
限制与来源
上述转化提升幅度、指标相关性等结论均来自 Meta 官方工程博客的自述，尚未见到独立第三方的复现或验证。文章未披露该方案覆盖的广告位范围、上线地区、可用时间表，也未给出延迟、成本等具体数据。文中提到的未来方向，包括跨模态统一词表和更高效的 LLM 原生架构服务，均属规划或探索阶段，尚未获官方确认落地。具体功能与适用范围请以 Meta 官网当前信息为准。