生成式推荐正在重塑大规模推荐系统

推荐系统（RecSys）是消费互联网中最普遍的机器学习问题之一，但要实现大规模训练和在线服务一直颇具挑战。

从相似度匹配转向生成式预测

传统推荐系统通常围绕嵌入与相似度匹配构建目标：将用户和物品映射到向量空间，再根据相似程度完成候选匹配与推荐。

随着大语言模型的发展，一种新的推荐系统思路正在受到关注：将推荐问题转化为生成式预测任务。

在这一范式下，系统不再只是计算用户与物品之间的相似度，而是把用户过去的一系列行为作为输入，在一个规模庞大的物品目录中预测用户的下一步动作或下一个物品。

可以将其概括为：

用户历史行为序列 → 生成模型 → 下一动作或下一物品

这种思路与语言模型根据已有 token 序列预测下一个 token 的机制具有相似之处，只是预测对象从语言符号变成了推荐系统中的用户行为和物品。

为什么值得关注

推荐系统长期面临大规模训练和在线服务的工程挑战。生成式推荐改变了传统推荐目标的表达方式，把序列建模与下一项预测放到更核心的位置。

这意味着，大语言模型带来的影响并不局限于文本生成，也正在推动推荐系统重新思考其基础建模范式。对于拥有庞大物品目录和大量用户行为序列的平台而言，如何高效训练和部署这类生成式推荐模型，将成为值得持续关注的问题。