A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys)

传统的推荐系统（RS）主要使用用户-物品评分历史作为其主要数据来源，其中协同过滤是主要方法之一。然而，生成模型最近发展出了模拟和采样复杂数据分布的能力，不仅包括用户-物品交互历史，还包括文本、图像和视频，为新颖的推荐任务开启了丰富的数据。通过这份全面的、跨学科的调查，我们旨在连接使用生成模型（Gen-RecSys）的RS的关键进展，包括：交互驱动的生成模型的基础概述；使用大型语言模型（LLM）进行生成推荐、检索和对话推荐的应用；以及整合多模型来处理和生成RS中的图像和视频内容。我们的整体视角使我们能够强调评估Gen-RecSys影响和危害的必要范式，并确定开放性挑战。论文的更新版本维护在：https://github.com/yasdel/LLM-RecSys。

本论文旨在介绍使用生成模型进行推荐系统的最新进展，探讨生成模型在推荐系统中的应用和挑战，并提出对生成推荐系统进行评估的必要范式。

论文介绍了基于交互驱动生成模型、大型语言模型和多模态模型的推荐系统，并深入探讨了这些模型在推荐、检索和对话推荐中的应用。

论文提出了一种综合的、多学科的方法，将生成模型在推荐系统中的应用进行了全面而深入的调查。论文还介绍了评估生成推荐系统影响和危害的必要范式。此外，论文还介绍了使用哪些数据集和开源代码，并探讨了未来的研究方向。

最近的相关研究包括：1.《基于生成对抗网络的推荐系统》；2.《使用深度学习的推荐系统综述》；3.《基于生成模型的推荐系统：现状与展望》。