Multi-Scenario Learning is used in recommendation and retrieval systems to transfer learning from different scenarios via different paradigms to refine feature representations in a scenario-aware manner, demonstrating superior ranking performance and adaptive feature learning in production environments, as supported by A/B test results on the Alibaba search advertising platform.

Jun, 2023

通过使用预训练的大型语言模型对用户评论进行编码并生成个性化推荐，我们提出了 LLMRS，一种基于 LLM 的零样本推荐系统。在真实世界的 Amazon 产品评论数据集上进行实验，结果表明 LLMRS 优于基于排名的基线模型，成功从产品评论中捕捉到有意义的信息，从而提供更可靠的推荐。

Jan, 2024

本文概论了基于大型语言模型的推荐系统，提出了两种主要类型（分别为判别型 LLM 推荐 DLLM4Rec 和生成型 LLM 推荐 GLLM4Rec），分别从方法、技术和性能等方面对现有的 LLM 推荐系统进行了系统的分类和评估，并指出了主要挑战和有价值的发现。

May, 2023

研究通过引入大型语言模型增强顺序推荐系统的性能，以应对长尾用户和长尾商品的挑战，并提出了融合语义信息和协同信号的双视图建模方法来解决这些问题。同时，通过使用检索增强的自蒸馏技术，对用户偏好表示进行改进。实验证明，所提出的增强框架相比现有方法表现更优。

May, 2024

传统会话推荐 (SBR) 使用来自匿名用户的会话行为序列进行推荐。最近，大型语言模型 (LLMs) 在与推荐系统 (RS) 的集成方面取得了巨大的进展。为了解决这些问题，我们提出了面向 SBR 的 LLM 集成框架 (LLM4SBR)。通过将会话数据转化为文本和行为的二模态形式，并在不同角度使用 LLMs 的推理能力，LLM4SBR 显著提高了传统 SBR 模型的性能，适合工业部署。

Feb, 2024

该论文提出了一种名为 AESM^{2} 的新型自动专家选择框架，该框架将多场景学习（MSL）和多任务学习（MTL）整合到一个统一的框架中，具有自动结构学习的特点，并采用分层设计和专家选择算法，实验表明在真实世界的大规模数据集上表现良好且有助于提高多项指标的在线 A/B 测试。

May, 2022

本文综述了基于应用方向的大语言模型在推荐系统中的应用，从‘何处’和‘如何’两方面总结了现有研究工作，并讨论了调整大语言模型到推荐系统中面临的关键挑战和未来前景。

Jun, 2023

最近几年，推荐系统 (Recommender Systems) 在自然语言处理 (Natural Language Processing) 领域迎来了巨大的变革，得益于大型语言模型 (Large Language Models) 的出现。这些模型，如 OpenAI 的 GPT-3.5/4 和 Meta 的 Llama，在理解和生成类似人类的文本方面展示了前所未有的能力，从而在个性化和可解释性推荐领域引发了范式转变，因为大型语言模型提供了处理大量文本数据以增强用户体验的多功能工具集。为了全面了解现有的基于大型语言模型的推荐系统，本综述旨在分析推荐系统如何从大型语言模型的方法中受益。此外，我们还描述了个性化解释生成 (Personalized Explanation Generating) 任务中的主要挑战，包括冷启动问题、公平性和偏见问题。

Nov, 2023

本研究提出一种场景自适应与自监督模型 (SASS)，解决具有多场景问题的细粒度信息转移、全空间样本利用和物品多场景表示分离问题，并在公共和工业数据集上得到显著提升。

Aug, 2022

本文提出了一种名为 PALR 的新框架，旨在将用户历史行为与大型语言模型相结合，生成用户喜欢的商品。实验结果表明，与现有方法相比，我们的解决方案在各种连续推荐任务上表现优异。

May, 2023