14 hours ago
RecGPT 技术报告
Chao Yi; Dian Chen; Gaoyang Guo; Jiakai Tang; Jian Wu; Jing Yu; Sunhao Dai; Wen Chen; Wenjun Yang; Yuning Jiang; Zhujin Gao; Bo Zheng; Chi Li; Dimin Wang; Dixuan Wang; Fan Li; Fan Zhang; Haibin Chen; Haozhuang Liu; Jialin Zhu; Jiamang Wang; Jiawei Wu; Jin Cui; Ju Huang; Kai Zhang; Kan Liu; Lang Tian; Liang Rao; Longbin Li; Lulu Zhao; Mao Zhang; Na He; Peiyang Wang; Qiqi Huang; Tao Luo; Wenbo Su; Xiaoxiao He; Xin Tong; Xu Chen; Xunke Xi; Yang Li; Yaxuan Wu; Yeqiu Yang; Yi Hu; Yinnan Song; Yuchen Li; Yujie Luo; Yujin Yuan; Yuliang Yan; Zhengyang Wang; Zhibo Xiao; Zhixin Ma; Zile Zhou
摘要
推荐系统是人工智能最具影响力的应用之一，作为连接用户、商家与平台的关键基础设施，发挥着至关重要的作用。然而，当前大多数工业级推荐系统仍严重依赖历史共现模式与日志拟合目标，即仅优化过往用户行为，而未显式建模用户意图。这种以日志拟合为核心的方法往往导致对狭窄历史偏好的过拟合，难以捕捉用户不断演变的潜在兴趣。其结果是加剧了信息过滤气泡与长尾效应，最终损害用户体验，并威胁整个推荐生态系统的可持续性。为应对上述挑战，我们重新思考推荐系统的整体设计范式，提出下一代框架 RecGPT——一种以用户意图为中心的推荐新范式。通过将大语言模型（LLMs）融入用户兴趣挖掘、物品召回与解释生成等关键环节，RecGPT 实现了从传统日志拟合推荐向以意图为导向的推荐流程的转变。为在大规模场景下有效对齐通用大语言模型与特定推荐任务，RecGPT 引入了多阶段训练机制，融合了增强推理能力的预对齐阶段与自训练演化过程，并由人机协同判别系统进行引导。目前，RecGPT 已在淘宝 App 全面上线。在线实验表明，RecGPT 在所有利益相关方中均实现了持续的性能提升：用户获得了更高的内容多样性与满意度，商家与平台则实现了更广泛的曝光与更高的转化率。这一覆盖全生态的综合优化成果，验证了以大语言模型驱动、以用户意图为核心的推荐设计，能够构建更加可持续且多方共赢的推荐生态系统。