大模型(LLM)在推荐系统,特别是召回和排序模块落地面临着以下困难:
因此,LLM通常在工业推荐系统大部分还是离线应用,产出一些embedding或者文本,例如小红书的NoteLLM。当然也不绝对,Meta 的Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations第一次在大规模工业系统打败传统推荐系统的召回和排序模块,无疑是LLM4Reco的一个巨大成功。
针对以上问题,本文调研了一些业界在LLM4Reco的做法,并总结分类为3种范式:
参考综述:A Survey on Large Language Models for Recommendation
文献整理仓库:
https://github.com/WLiK/LLM4Rec-Awesome-Papers/tree/main
https://github.com/jihoo-kim/Awesome-Generative-RecSys
这种范式主要是用LLM产出的embeding增强推荐系统,下面介绍几篇业界做法:
这种范式利用LLM 产出token增强推荐系统,相关文献如下: