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

传统的推荐系统通常使用用户-物品评分历史记录作为主要数据源。然而，深度生成模型现在具有对复杂数据分布进行建模和采样的能力，包括用户-物品交互、文本、图像和视频，从而实现了新颖的推荐任务。本综合性、多学科的调查连接了使用生成模型（Gen-RecSys）的推荐系统的关键进展，包括基于交互的生成模型、使用大型语言模型（LLM）和文本数据进行自然语言推荐，以及在推荐系统中集成多模型来生成和处理图像/视频。我们的工作强调了评估Gen-RecSys的影响和危害所必需的范式，并确定了开放性挑战。本调查伴随着在ACM KDD'24上展示的教程，并提供支持材料：https://encr.pw/vDhLq。

这篇论文试图探讨使用生成模型进行推荐系统的发展，包括使用互动驱动生成模型、大型语言模型和文本数据进行自然语言推荐、以及使用多模态模型处理图像和视频数据。

使用生成模型来建立推荐系统，可以处理更加复杂的数据类型，包括用户-物品交互、文本、图像和视频等，从而进行更加准确和个性化的推荐。

论文介绍了互动驱动生成模型、大型语言模型和多模态模型在推荐系统中的应用，并提出了评估生成模型推荐系统效果和潜在风险的方法。实验使用了不同的数据集和指标，部分代码已经开源。

与该论文相关的研究包括《Deep Learning for Recommender Systems》、《Neural Collaborative Filtering》和《A Survey of Recommender Systems》等。