A Survey of Generative Search and Recommendation in the Era of Large Language Models

随着网络信息的爆炸式增长，搜索和推荐成为满足用户信息需求的基础设施。作为同一枚硬币的两面，两者都围绕着相同的核心研究问题展开，即将查询与文档或将用户与物品匹配。在过去的几十年中，搜索和推荐经历了同步的技术范式转变，包括基于机器学习和深度学习的范式。最近，超智能生成式大型语言模型在搜索和推荐中引发了一种新的范式，即生成式搜索（检索）和推荐，旨在通过生成式方式解决匹配问题。本文提供了信息系统中新兴范式的全面调查，并从统一的视角总结了生成式搜索和推荐的发展。我们不仅仅是对现有工作进行分类，而是提出了一个生成式范式的统一框架，并将现有工作分解为该框架内的不同阶段，以突出其优点和缺点。然后，我们区分了生成式搜索和推荐的独特挑战，确定了未解决的问题和未来的方向，并展望了下一个信息寻求范式。

论文探讨了生成式搜索和推荐的新兴范式，旨在以生成方式解决匹配问题。

论文提供了一个统一的框架，将现有的工作分解为框架内的不同阶段，突出了它们的优点和缺点。同时，论文还区分了生成式搜索和推荐的独特挑战，指出了未来的研究方向。

论文总结了生成式搜索和推荐的发展历程，提出了新的研究范式。同时，论文还讨论了这个领域的开放问题和未来方向。

近期的相关研究包括《Deep Learning for Matching in Search and Recommendation》、《A Survey of Deep Learning for Recommender Systems: Challenges and Solutions》等。