大模型驱动的 AGI 时代 推荐业务传统方法论 推荐业务大模型实践与探索 拥抱 AGI 时代
用户视角：平台需通过用户基础社会属性、行为挖掘，提升内容分发的准确性，提升用户消费体验；在用户生态视角，需要提升曝光分布多样性，保障低质内容曝光占比不超过一定比例，同时把控内容安全性； 创作者视角：在创作体验层，持续提升创作者问题解决效率，提升创作者留存和活跃度；在生态视角，避免流量倾斜集中在部分等级创作者上，影响整体创作者生产积极性； 商家视角：在体验层，不断通过引入客户、提升流量效率提升客户商业收入；在生态结构上，关注分行业客户结构，鼓励优质客户、商家成长；
相关性（Relevant）：过程指标与结果指标具备强相关性 or 因果性 及时性（Timeliness）：能够快速反馈业务/项目的现状，即业务引领性目标 反作弊（Anti-cheat）：避免指标可以通过 Hack 的方式被快速拉升
事实：可以来自行业的知识、过去产品实验的认知总结、产品数据分析、用户反馈、调研等信息； 假设：假设需要有依据和相关合作方的认可，可以基于当前业务上的数据分析、用户 case 案例主观评估以及结合行业的经验&趋势提炼对当前业务的假设，核心是通过各类渠道的信息输入保障假设成立的概率大‘
内容维度：多样性、内容载体（文字、图片、视频等）、商业内容和自然内容占比 用户视角：兴趣匹配、兴趣探测
数据分析：建立数据驱动决策的思维、数据分析的硬技能、数据归因的思路方法以及数据报告的解读； 用户理解：产品通过创造用户价值来实现商业价值，在这个过程中，用户是核心，产品需要掌握用户运营方法，以用户为中心，在用户使用产品遇到问题时，知道如何提升用户基础体验； 系统理解：对搜索、推荐底层运行机制、大模型原理及应用的了解； 沟通管理：理解不同决策相关人的立场，从而协调平衡不同人的诉求，从而尽可能保障产品迭代的正常推进；
表示：利用大模型的表示能力，完善物品理解、用户建模。传统的推荐系统都是基于 ID 的，也就是每个新来的 Item 都必须具备一个 ID，然后根据这个 ID 去学习 Item 的表征，最后通过学习到的表征去做推荐。但是如果存在一个通用模型能够把语言理解的非常好，可以考虑把 ID 去掉，然后直接通过语言去描述 Item，直接得到 Item 描述的文本表征作为 Item 的表征； 泛化：少/零样本推力、跨域泛化能力、世界知识... 目前这一领域开展的工作可以总结为两个方向： 使用文本统一标识，解决依赖 ID 的问题，这样就可以忽略 cross domian 和 costar 这样的问题，包括很多长尾问题也可以得到很多的解决。 使用 Prompt 统一任务，这样就可以做到 Open Ending Task，使用训练好的语言模型去做大跨域，最终得到一个 open ending task and domains 的基础模型。 生成：个性化内容生成、生成式推荐... 整合用户历史行为（如点击、购买、评论等）和 LLMs 生成用户偏好的物品；
机会 1：用户交互范式的改革 —— 基于对话式的推荐。传统的推荐算法与用户的交互较为缺乏，难以及时有效把握用户兴趣。基于对话的推荐系统能够与用户深度互动来了解用户兴趣；
机会 2：LLM 扩展可推荐物料供给。
机会 3：基于 LLM 模拟推荐候选数据集。结合用户历史行为，通过 LLM 构建以用户历史消费为基础的「行为兴趣」拓展推荐数据集；
机会 4：基于 LLM 构建更精准的用户、内容理解体系。 机会 5：负责任的推荐系统，更智能、可解释性、公平性、多样性、可信性。
推荐前： 推荐系统人机对话新范式 构建新场景下可靠的大规模数据集 推荐中： 加强用户画像，整合多源多模态数据支撑个性化 持续优化 LLM 自身，提升理解和生成能力 指令学习、端到端学习等模型学习范式研发 推荐与商业业务深度整合，提供定制个性化产品与服务 推荐系统公平性、可解释性优化 推荐后： 反馈学习、反思 扩展自动评价体系
