生成式推荐 (LLM)

概述

将推荐任务重构为文本生成问题的 LLM 范式，通过语言模型自回归生成推荐结果，由 P5 论文首次系统性提出。

关键内容

1. 范式定义：将推荐系统的所有任务——评分预测、序列推荐、解释生成、评论摘要、直接推荐——统一为"输入一段文本，输出一段文本"的语言生成问题，不再需要专门的协同过滤层、评分预测头或排序损失函数。

2. 开创性工作：P5 论文（RecSys 2022）首次系统性地论证了"将推荐系统完全重构为语言处理任务"的可行性，使用 T5 作为骨干模型，将五大推荐任务完整统一到一个语言模型框架中。

3. 与 Meta 生成式推荐的区别：Meta 的生成式推荐（HSTU）将推荐重新定义为端到端序列生成任务，预测用户下一个交互 token（内容+动作），侧重工业级大规模部署。本概念特指基于 LLM 的生成式推荐，用自然语言 Prompt 驱动推荐，侧重多任务统一和可解释性。

4. 核心能力：

5. 多任务统一：从数值回归（评分预测）到二分类（是否推荐）到序列排序再到开放式文本生成
6. Zero-shot 推荐：面对未见过的 Prompt 格式仍能给出合理推荐
7. 可解释性融合：推荐和解释在同一模型中共享知识

8. 跨域迁移：一个领域预训练的模型可迁移到其他领域

9. 技术挑战：推理效率（自回归解码延迟远高于向量内积）；物品词汇表可扩展性（百万/亿级 ID 空间）；ID 语义鸿沟（数字 ID 与语言模型语义空间脱节）。

10. 后续演进：从 P5（2022，T5-small/base 60M-223M）到现代方案（2024-2025，LLaMA/Mistral/Qwen 7B-70B），从 Prompt 模板到指令调优，从数字 ID 到语义 ID，从全参数微调到 LoRA/QLoRA 参数高效微调。

11. 学术共识：P5 帮助社区形成了"语言是连接不同推荐任务的天然桥梁"的重要共识，使"LLM for Recommendation"从小众方向迅速成长为推荐系统领域最热门的研究主题。

来源

• Shijie Geng et al. — P5: Recommendation as Language Processing, RecSys 2022 (arXiv:2203.13366)
• Wu et al. — A Survey on Large Language Models for Recommendation, ACM TOIS 2024

相关

• P5 论文 — LLM 生成式推荐的开创性工作
• 生成式推荐 — Meta HSTU 的序列生成范式（不同概念）
• 推荐系统基础模型 — LLM 生成式推荐的终极愿景
• 协同过滤 — 传统推荐范式
• 矩阵分解 — 传统推荐范式
• 序列推荐 — LLM 生成式推荐统一的任务之一
• T5 — P5 使用的骨干模型
• 判别式 LLM 推荐 — LLM 推荐的另一范式
• 生成式 LLM 推荐 — LLM 生成式推荐的现代延续
• Zero-shot 推荐 — LLM 生成式推荐的独特能力
• 指令调优 — 现代 LLM 生成式推荐的训练策略
• 语义 ID — 解决 LLM 生成式推荐的 ID 表示问题