RecSys2023：Large Language Models for Generative Recommendation: A Survey and Visionary Discussions（LLM推荐系统综述）
论文链接：https://arxiv.org/abs/2309.01157
作者认为大语言模型虽然已经在nlp和cv上有不错的应用，但在推荐系统上，大语言模型还是作为一个特征提取器的辅助手段，这可能在推荐系统上根本没有释放大语言模型强大的能力。
作者调查通过检查三个问题回顾了基于LLM的生成推荐的进展、方法和未来方向:1)生成推荐是什么;2)为什么RS应该提前生成推荐;3)如何为各种RS任务实现基于LLM的生成推荐。希望调查能够提供探索这一有趣和新兴主题所需的上下文和指导。
作者认为llm推荐可以作为端到端的生成，一步到位，直接吧推荐列表生成出来。
之前推荐系统的流程一般在工业上是先通过简单的模型进行召回，排序，后面缩小范围后才用较为复杂的模型进行精排，所以工业上和学术上差距比较大，主要原因是因为学术没有考虑那么全面落地成本。而大模型做推荐系统在工业上和学术上差距就没有那么大
1.使用评分推荐
作者举了个例子，用llm来评分，可以直接用自然语言描述用户和物品的关系，然后直接让llm打分，比如1-5分，然后llm输出4.12分这样。
存在问题：作者也表示用户可能不会为他们交互的每个项目留下明确的评级，因此评级预测任务对于现实世界的系统可能不太实用。
2.排序推荐
仅包含用户信息（ID 或用户元数据）的提示，并要求 LLM 直接为该用户生成推荐。
提供了提示中的用户信息和候选项目列表，并要求 LLM 从候选项目中选择项目进行推荐。
3.顺序推荐
就是预测用户 u 可能基于他/她的过去交互进行交互的下一个项目
4.可解释性推荐
可解释性推荐，就是cot的方式用于llm推荐
评估llm的推荐性能的指标还是传统推荐系统的那些指标，比如rmse，mae等等
作者认为解决llm推荐幻觉问题的方法之一是：创建项目 ID 并将所有项目的 ID 组织成前缀树结构，也称为 trie 结构。
另一种解决幻觉的方法就是rag，通过约束索引来解决问题
总的来说，作者对2023年9月份前（可能更早）llm在rs领域的研究进行总结说明，也提出了一点点自己的看法，但不多，在2023年11月份看来一些小的观点可能已经过时，比如：当时llm的上下文限制确实比较大，随着llm的发展上下文限制被逐步打开。可以作为论文索引收藏（去看他的引用文献）