其他
当推荐遇见大模型,会碰撞出什么样的火花
导读 本文将对大型语言模型（Large Language Models，LLM）在推荐系统中的应用进行概要介绍。
首先，将介绍 LLM 在推荐系统中的两种应用方式。其次，将探讨 LLM 作为推荐系统的一部分，对推荐系统的影响方式，包括在预训练和微调阶段的应用，以及通过 Prompt 方式对推荐系统的影响。随后，重点关注 LLM 作为一个推荐系统的特点。最后，将展望 LLM 在推荐系统中的发展方向，包括对多模态推荐系统、解决 hallucination 和 bias solution 问题、提高系统性能等方面的展望，以及在推荐系统中使用 AGENT 的可能性，如何利用用户的上下文进行推荐。通过本文的综述，读者将全面了解 LLM 在推荐系统中的应用现状和未来发展趋势。主要内容包括以下几个部分：1. 概要
2. LLM+RS：LLM 作为推荐系统的一部分
3. LLM AS RS：LLM 作为一个推荐系统
4. 未来展望
分享嘉宾｜陈祖龙 阿里巴巴 高级算法专家
编辑整理｜苗文亚
内容校对｜李瑶
出品社区｜DataFun
01
LLM+RS：LLM 作为推荐系统的一部分
用户/商品表征：很多工作尝试通过大模型，将商品的待推荐文本、知识等融合到一起，来生成商品的表征。另一方面，通过大模型，对用户上下文进行理解，从而得到用户的表征。 召回匹配：LLM 作为新的召回方式，可以实现 i2i 和 u2i 两种方式。 排序/生成：LLM 对排序的影响方式有 Point-wise、Pair-wise、List-wise 等。 其他：LLM 用于解决推荐系统的公平性、偏见性、隐私性、可解释性等问题。
用户/商品表征：利用 LLM 的 In-Context Learning 能力通过 Prompt 影响 LLM 的输入、输出。这方面在工业界已经有很多落地案例。比如用大模型来做上下文常用的表征，如对季节、天气的理解等。 召回：使用 Prompt 作为新的交互方式影响召回逻辑。 排序/生成：通过 Prompt 而非模型训练来影响排序，减少系统资源投入。 其他：利用 Prompt 解决模型的公平性、偏见性、冷启动、可解释性等问题。
Top-K 推荐：通过 PTM 和 SFT 端到端地建模用户和商品关系。 评分推荐：通过 role injection、task description 等影响模型输出。 会话式推荐：结合用户上下文和预训练模型进行推荐。 可解释性/其他：解决公平性、多样性、多模态等问题。
Top-K 推荐：通过面向 Top-K 场景的 Prompt Designer 可以方便地让模型输出。但目前很多过程式模型在 Top-K 推荐的准确性或效果方面表现不是特别好。如果想要得到比较好的效果，最好还是选一些比较可靠的模型，或自己训练一个模型。 评分预测：也是通过 Prompt Designer 来进行设计。 会话式推荐：Prompt Designer 的设计丰富多样，引入了用户的多轮输入等交互方式。 生成式推荐/其他：包括公平性、多样性评估等。
未来展望
如何利用用户上下文和商品信息自动设计 prompt； 模型对多模态推荐的理解能力； 解决 hallucination 和 bias 的问题； 如何提高推荐系统性能，以满足 C 端的高性能要求。
分享嘉宾
INTRODUCTION
陈祖龙
阿里巴巴
高级算法专家
13 年毕业东北大学，先后在百度知识搜索部，淘宝搜索与推荐，飞猪技术算法，一直在做搜索、推荐等相关工作，曾在 WWW，KDD，SIGIR，CIKM，ICDE 等多个国际期刊和会议上发表二十多篇论文。
往期推荐
复杂图上的知识迁移学习
开源delta lake 3.0 优势和发展
多模态大模型在文本和视频分析中的应用
流式数据湖 Paimon 0.7 的研发进展
多模内容理解在百度商业广告中的探索实践
直播预告| 智能运维，如何让中小企业数据库管理更高效？
哔哩哔哩基于 Iceberg 的智能数据组织优化实践
图技术在金融反欺诈中的应用
CloudCamel：OPPO 云上大数据极致优化之路
点个在看你最好看
SPRING HAS ARRIVED