推荐系统中大模型的应用

传统方法存在的问题

1. 用户层面（user）：用户规模大（数以亿计），用户行为多样（千人千面），且受到很多推荐系统不可观测的外界因素影响，导致建模十分困难。
2. 物料层面（item）：item 之间的很多关联是十分小众的，不易被捕获（共现频次低）。为什么这个用户会同时购买这两个东西，为什么这个用户会同时看这两个视频等等问题，可能是因为非常小众的原因关联起来的，对建模也是一项挑战。
3. 模型层面：存在很大的泛化问题，我们所熟知的很多平台例如 TikTok，用户每天新上传大量视频，产生非常多的新的低频关联和新的 item，模型可能对新的 item 推荐效果不佳，泛化问题对于主要依靠 id 特征的传统推荐系统而言是困扰多年的严重问题。

LLM 的优势

LLM 赋能推荐系统

总结

传统的强依赖 ID 的推荐模型，存在理解不到位、泛化能力差等问题，导致推荐不满意。针对推荐系统现存的问题，将大模型技术引入推荐领域，发挥其强大的理解能力，对推荐数据理解有很大的帮助。