![[笔记] 从 Tokenization 视角看生成式推荐（GR）近几年的发展（2025）](https://arthurchiao.art/assets/img/large-generative-recommendation-tokenization-perspective/sid-3.png)
ARTHURCHIAO'S BLOG
·
[笔记] 从 Tokenization 视角看生成式推荐（GR）近几年的发展（2025）
💡
原文中文，约7600字，阅读约需19分钟。
📝
内容提要
生成式推荐模型正在改变推荐系统，通过将用户行为数据转化为机器可读格式，提升推荐效果。文章探讨了生成式推荐的挑战与未来发展方向，强调大型生成模型，特别是语言模型在优化推荐过程中的潜力。
🎯
关键要点
- 生成式推荐模型正在改变推荐系统，通过将用户行为数据转化为机器可读格式，提升推荐效果。
- 大型生成模型，特别是语言模型在优化推荐过程中的潜力巨大。
- 推荐领域的模型尚未达到视觉和语言建模领域的成功水平，需通过生成式框架来改进推荐任务。
- action tokenization是将人类可读数据转换为机器可读格式的关键技术，影响生成式推荐的效果。
- 生成式模型通过学习数据分布生成新样本，能够提高推荐的准确性。
- 推荐系统的tokenization方法多样，但需解决效率和效果之间的平衡问题。
- 基于语言模型的生成式推荐可以利用少量数据实现良好的推荐效果。
- 生成式推荐模型面临冷启动等挑战，但也带来了新的机会和能力，尤其是在大模型的应用中。
❓
延伸问答
生成式推荐模型如何改变推荐系统的运作方式？
生成式推荐模型通过将用户行为数据转化为机器可读格式，提升了推荐效果。
什么是action tokenization，它在生成式推荐中有什么作用？
action tokenization是将人类可读数据转换为机器可读格式的关键技术，影响生成式推荐的效果。
生成式推荐模型面临哪些主要挑战？
生成式推荐模型面临冷启动等挑战，但也带来了新的机会和能力。
大型生成模型在推荐系统中的潜力是什么？
大型生成模型，特别是语言模型，能够通过学习数据分布生成新样本，从而提高推荐的准确性。
生成式推荐如何利用少量数据实现良好的推荐效果？
基于语言模型的生成式推荐可以利用少量数据，通过强大的自然语言理解和生成能力实现良好的推荐效果。
推荐系统的tokenization方法有哪些？
推荐系统的tokenization方法多样，包括将用户行为转换为物品ID、文本描述和语义ID等。
➡️
