生成式推荐的主线（见 1.1、5.3、9.x）让我们看到：模型可以「直接生成」物品序列、甚至「先思考再推荐」。但生成式能力还能解决更实际的工程痛点——数据稀疏、特征缺失、结果趋同。这些恰恰是工业推荐系统常年头疼的问题。
扩散模型（Diffusion Model） 凭借其「先逐步加噪、再学习去噪」的生成范式，为这些痛点提供了独特工具：它不像判别式模型去「打分」，而是在连续潜在空间里多步去噪「雕刻」出目标。本章沿两条主线展开—— 数据增强 （生成伪交互/跨场景样本）与 特征增强与多样性优化 （补全缺失特征、生成多样化 slate）。各章要点见下表。
本章涵盖
| 章节 | Topic | The Big Idea |
|---|---|---|
| 10.1 | 扩散模型基础 | 前向加噪/反向去噪、DDPM、潜在空间扩散、条件生成与两种引导；推荐的特殊设计（噪声尺度、x₀-prediction） |
| 10.2 | 扩散做数据增强 | DiffuASR 生成「前序」序列扩充短序列用户；Diff-MSR 跨场景迁移缓解冷启动 |
| 10.3 | 扩散在推荐的应用 | AsymDiffRec 不对称扩散补全缺失特征；DMSG 条件扩散生成多样化 slate |
What You'll Be Able to Do After This Part
- 🟢 解释 前向扩散与反向去噪的互逆马尔可夫过程，并写出任意 t 直接采样公式
- 🟢 区分 数据空间扩散与潜在空间扩散，说明为何推荐偏好后者
- 🟡 描述ε-prediction 与 x₀-prediction 的差异，以及推荐为何常用后者
- 🟡 复述DiffuASR / Diff-MSR / AsymDiffRec / DMSG 各自如何用扩散解决具体痛点
- 🔴 评析 扩散模型在推荐中的适用边界（延迟、配套基础设施）与未来方向
- 完成各节分层练习题，巩固从基础到落地的扩散推荐主线
核心概念
| Concept | 章节 | Relevance |
|---|---|---|
| 前向/反向过程 | 10.1 | 扩散模型的核心互逆机制 |
| 潜在空间扩散 | 10.1 | 推荐因高维稀疏而更常用 LDM |
| 条件生成 + 引导 | 10.1 | 用用户历史/文本控制生成方向 |
| 序列增强 / 跨场景增强 | 10.2 | 缓解数据稀疏与冷启动 |
| 不对称扩散 / Slate 生成 | 10.3 | 特征补全与多样性优化 |
前置知识
- 已读 1.1（两种范式）、5.3（生成式范式演进，尤其语义 ID 与端到端生成）
- 了解基础概率、变分自编码器（VAE）与 Transformer 注意力机制
本章偏工程应用，公式重在「为什么这样设计」——不必逐行推导，抓住每个方法针对的痛点即可。
Tips for This Part
- 始终带着「痛点」读。 每个扩散方法都对应一个具体工程问题（稀疏/冷启动/缺失/趋同）。
- 区分「空间」。 数据空间 vs 潜在空间、前向空间 vs 反向空间——空间选错设计就错。
- 别把扩散当「替代判别式」。 本章方法是 工具型 生成能力（增强数据/特征/多样性），而非端到端替代排序。
Let's dive in! 🚀