推荐系统如何利用LLM优化推荐性能和用户体验？

推荐系统旨在解决线上信息中的信息过载，从而满足用户的个性化信息需求，而大语言模型凭借其强大的涌现能力成功破圈，在各个应用领域都取得了令人惊艳的表现。大语言模型能够为推荐系统带来充分的语义信号和外部知识，但存在缺乏协同信号和线上推理时延等问题。

本次论坛特别邀请了来自高校和工业界的多位教授和技术专家，从研究和应用视角出发，详细介绍推荐模型如何从大语言模型中受益，进而充分优化推荐性能和用户体验。通过本次论坛，听众可以了解到大模型与推荐系统结合的现有工作回顾和几个具有代表性方案的详细介绍。

个人介绍：唐睿明，华为诺亚方舟实验室资深研究员，任推荐与搜索实验室主任，负责推荐和检索领域的前沿研究和技术落地，研究方向包括机器学习、推荐系统、深度学习、强化学习、AutoML、图神经网络等。他于2009年在中国东北大学获得学士学位，并在2014年从新加坡国立大学计算机专业获得博士学位，2014年底加入华为诺亚方舟实验室。他在数据挖掘、机器学习、推荐系统和信息检索等领域的国际会议、期刊上发表论文50余篇。

🔥演讲题目：大语言模型在推荐系统应用现状与初步探索

🎁听众收益：

1. 大语言模型应用于推荐系统的现状。

2. 大语言模型应用于推荐系统的挑战。

个人介绍：孙爱欣博士是新加坡南洋理工大学计算机科学与工程学院（SCSE）的副教授和副院长（学术）。他分别在2001年和2004年获得南洋理工大学计算机工程一等荣誉学士学位和博士学位。他的研究兴趣包括信息检索、文本挖掘、社群计算和数字图书馆。他发表过200多篇论文，这些论文在谷歌学术上总共获得了16000多次引用，h指数为59。孙博士是ACM Transactions on Information Systems（TOIS）、Neurocomputing的副编辑，也是Journal of the Association for Information Science and Technology（JASIST）和Information Retrieval Journal的编辑委员会成员。他曾担任WSDM2023的 DC co-chair，SIGIR2020、ICDM2018、CIKM2017的 Demo co-chair，AIRS2019的PC co-chair，以及ADMA2017的General Chair。他还曾担任SIGIR、WWW、WSDM、EMNLP、AAAI和IJCAI等多个会议的领域主席、高级程序委员会成员或程序委员会成员。

演讲提纲：本次演讲主要是从学术的角度探讨大语言模型在推荐系统领域可能的应用和挑战。学术界对于推荐系统的研究很大程度上受限于数据和平台，主要依赖于离线数据进行实验，观察，以及评测。然而，仅靠离线数据并不能完全捕捉推荐问题的复杂性，导致学术研究中问题的抽象化和简单化，所提出的方法也需要在实际场景的线上平台重新评测以确定其有效性。在本次演讲中，我将重新审视学术界的数据集、评测方法以及对推荐问题的理解，在此基础上，探讨大型语言模型是否可以作为推荐系统的解决方案。

🎁听众收益：

3. 大语言模型适合推荐问题吗？

个人介绍：Jun Xu is a Professor at Gaoling School of Artificial Intelligence, Renmin University of China. His research interests focus on applying machine learning to information retrieval and recommendation. He has published more than 100 papers and 2 monographs at top international journals and conferences, including TKDE, TOIS, JMLR, SIGIR, KDD, WWW ACL etc. His work on information retrieval has received the Test of Time Award Honorable mention of ACM SIGIR 2019, Best Paper Runner-up of ACM CIKM 2017, and Best Paper Award of CCIR 2022 and AIRS 2010. He has served or is serving top international conferences as Senior PC members, including SIGIR, CIKM, AAAI, and top international journal of JASIST as an editorial board member, and ACM TIST as an associate editor. He received funding grants from the National Natural Science Foundation of China (NSFC) and National Key R&D Program of China.

🔥演讲题目：Uncovering ChatGPT's Capabilities in Recommender Systems

个人介绍：冯福利，中国科学技术大学特任教授，入选国家青年人才计划。研究领域：信息检索、数据挖掘、机器学习、因果推断等，承担推荐算法合规、监管相关国家级项目，发表国内外顶级会议和期刊论文近100篇，谷歌学术引用6000余次，研究成果在多家公司的商业系统应用。曾获SIGIR 2021最佳论文提名奖、WWW 2018最佳演示论文奖。

演讲提纲：以GPT为代表的大语言模型（LLM）展示了惊人的新兴理解、推理和规划能力，催生了将LLM应用于推荐系统以提升性能和用户体验的有前景的研究方向。报告介绍大模型推荐技术的进展，包括如何教会LLM做推荐：1）基于in-context learning的LLM推荐能力激发，2）基于instruct- tuning的LLM推荐任务对齐；以及如何利用LLM推动推荐范式革新：3）基于LLM的生成式召回，4）基于LLM的生成式推荐。报告进一步讨论大模型推荐带来的机遇与挑战。

1.  如何激发LLM推荐能力

个人介绍：陈旭，博士毕业于清华大学，于2020年加入中国人民大学。他的研究方向为推荐系统，强化学习，因果推断等。曾在TheWebConf、AIJ、TKDE、SIGIR、WSDM、TOIS等著名国际会议/期刊发表论文60余篇。曾共同主导构建推荐系统工具包“伯乐”，可解释推荐数据集REASONER，以及基于大语言模型的推荐用户自主智能体仿真环境RecAgent等。他的研究成果曾获得TheWebConf 2018最佳论文提名奖、CIKM 2022 最佳资源论文Runner Up 奖和AIRS 2017最佳论文奖。同时，他也曾荣获CCF自然科学二等奖（排名第二），ACM-北京新星奖（北京市三人）等。他的研究成果在多家企业落地，相关成果荣获华为“创新先锋”总裁奖。他主持/参与多项国家自然科学基金以及企业合作项目。

演讲提纲：近年来，以Generative Agent为代表的基于大语言模型的智能体研究吸引了科研人员的广泛关注。本次报告围绕基于大语言模型的智能体构建，应用和评价展开，概要介绍利用大语言模型构建通用和领域专用智能体的关键技术，分析该领域的现存挑战，并展望未来的发展方向。