推荐系统近年发展缓慢,在基础架构、建模、策略层面,基本都已经把价值挖掘殆尽,包括头部企业的推荐系统带来的增长都已经放缓。
为此,过去一年大公司都在尝试落地基于大模型的生成式或交互式推荐模式。
生成式推荐的场景中,一般有两种,要么是对用户发表的文章生成评论,要么是对用户的评论继续生成对话,总体而言就是一种多轮对话的交互,并围绕着用户的兴趣点进行,保证话题不跑偏。
生成式推荐是从侧面拉动用户市场,激发用户时长、活跃度、对话轮次等,目前来看取得的收益最大。
但生成式推荐仍然面临大模型应用的通病,就是随着使用频率的增加,惊喜度会降低,也就是说,模型生成新内容的难度会越来越大,而这是大模型杀手级应用的显著特点。即便是国内市场规模最大的大模型APP,距离垂类场景的杀手级应用还很遥远。
除了交互式推荐,另一种推荐模式是将推荐系统的各个阶段用大模型重构。然而,推荐系统目前还没有办法完全通过将召回、排序等阶段用大模型重构的方式来改造,就连召回阶段的融合也处于发展早期。传统推荐系统是稀疏模型,而大模型是密集模型,两者目前还是互相独立的体系,很难进行融合。
在学术界,LLM for Recommendation刚刚起步,但是近期的发展非常快,总体目标有三个:
1. 改变传统推荐多阶段过滤的范式,变成单阶段过滤直接生成的范式,这会使得模型可以在全部物品库里找出推荐目标;
2. 多模态信息的处理,使得对点击之外的数据处理更加方便,更加统一,例如文本、图像、音视频等等;
3. 改变推荐系统与用户的交互方式,对话式推荐是其中之一,还有可以利用大模型为用户生成推荐解释、比较两个商品的优缺点等等,可以引入更丰富的交互场景,而不再仅仅是展示几个推荐结果。
总体而言,融合大模型是推荐系统唯一的发展路线,潜力很大,但发展仍然缓慢。
秉持“数聚垂域,智领未来”信念,DataFunCon2024·上海站将继续顺应趋势,组织推荐系统等论坛,邀请数据智能技术专家、行业专家,与你共同探讨数据智能落地的现在与未来。
大会议程详情
04/19-04/20
时间
点击『阅读原文』参与报名~