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。

该研究提出了一种多模态基础模型，结合视觉和文本数据以优化推荐系统。通过大型语言模型（LLM），该模型在推荐性能和效率上表现出色，尤其在冷启动情况下。研究探讨了生成式推荐的进展及未来方向，强调了基于语言偏好的推荐方法的可解释性和有效性，实验结果显示该方法显著提高了推荐的准确性和相关性。

本文综述了基于大型语言模型（LLMs）的推荐系统，探讨了其在用户兴趣理解和文本信息捕捉方面的应用。提出了结合图神经网络和LLMs的生成式推荐方法，以提升推荐系统性能。研究表明，LLMs在动态图中的时空理解能力逐渐增强，并讨论了未来的发展方向和挑战。

本文综述了大型语言模型在推荐系统中的应用，探讨了生成式推荐的进展与挑战。提出了判别型和生成型两种推荐方法，强调了大型语言模型在个性化推荐中的优势及其对传统系统的变革潜力，同时指出了输入敏感性和误解等挑战。研究表明，结合用户历史行为与大型语言模型可显著提升推荐效果。

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。