8. 推荐与大语言模型
8.1. 何处运用大语言模型
特征工程
用户理解：利用 LLM 丰富用户画像
内容理解：利用 LLM 进行 Item 画像抽取
样本扩充：利用 LLM 进行 Item 生成
特征编码
利用 LLM 的通用语义信息丰富推荐特征。
打分排序
物品评分任务（Item Scoring Task）：大语言模型对候选物品逐一评分，最后根据分数排序得到最终的排序列表。
物品生成任务（Item Generation Task）：通过生成式的方式生成下一个物品的 ID ，或者直接生成排序列表。
混合任务（Hybrid Task）：大语言模型天然地适合多任务场景，因此很多工作会利用大语言模型来实现多个推荐任务，其中包括评分任务和生成任务。
流程控制
使用 LLM 来集成推荐系统流程各模块（检索、排序、用户画像、用户模拟）的一个对话式推荐系统。
8.2. 如何运用大语言模型
四种方案：
在训练阶段，大语言模型是否需要微调。
在推理阶段，是否需要引入传统推荐模型（CRM），比如直接使用 LLM 生成推荐列表。
两种趋势：
模型：引入传统推荐模型（CRM）为语言模型注入协同信号。
数据：引入推荐场景的数据，结合微调技术，为语言模型注入协同信号。
8.3. 参考资料
一文梳理推荐系统中如何应用大模型
How Can Recommender Systems Benefit from Large Language Models: A Survey