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，将推荐任务视为生成任务。尽管在感知和认知领域已有成功模型，行为领域的推荐模型仍在发展中。本文探讨了生成式推荐的挑战、技术及未来方向，强调了token化在推荐系统中的重要性。

生成式推荐（GRs）在过去一年取得显著进展，依托大型语言模型（LLM）提升推荐性能，形成新范式。传统推荐面临特征工程和模型复杂度的瓶颈，而LLM通过长序列建模和知识注入有效解决冷启动问题。未来，GRs将重点关注深度推理、多模态对齐和并行生成优化，重构推荐系统的价值链。

中科大与华为合作发布的生成式推荐大模型成功在昇腾NPU上部署，基于扩展定律提升推荐系统性能，适用于复杂场景和排序任务，展现良好扩展性。未来研究将集中于数据工程和训练效率等方向。

生成式推荐系统利用大语言模型（LLM）简化推荐流程，提升效果，克服传统系统局限。其优势包括流程简化、知识融合和规模效应。京东在广告推荐和搜索中成功应用生成式召回，显著提高点击率和消费。未来将继续优化模型规模和用户行为输入，以进一步提升推荐效果。

本文探讨了基于大型语言模型的生成式推荐在推荐系统中的应用，从三个问题的角度分别阐述了其进展、方法和未来方向，为推荐系统任务实现基于大型语言模型的生成式推荐提供指导。

本文探讨了基于大型语言模型的生成式推荐在推荐系统中的应用，从定义、发展原因和实现三个问题出发，为探索这一新兴话题提供背景和指导。

本文探讨了基于大型语言模型的生成式推荐在三个问题上的进展、方法和未来方向，为各种推荐系统任务提供背景和指导。

本文探讨了基于大型语言模型的生成式推荐在推荐系统中的应用，从三个问题的角度分别阐述了其进展、方法和未来方向，为探索这一新兴话题提供背景和指导。