（请结合视频阅读）

学习资料:

1. https://github.com/WLiK/LLM4Rec-Awesome-Papers

2. https://github.com/CHIANGEL/Awesome-LLM-for-RecSys

一. 传统推荐系统工程结构

1. 特征工程

2. 召回

3. 排序

二. LLM替换排序模型

优势：

1. 构建简单

2. 能顺便得到推荐解释

3. 少量交互量的数据下(冷启动)效果好于传统模型

劣势：

1. 响应慢

2. 正常交互量的数据下效果相对不如传统模型

3. 效果提升很难

构建简单详细说明:

如果LLM涉及到微调，则构建简单的优势荡然无存，且效果仍然很难比得上不断微调的专业推荐模型。且微调成本也远大于后者，响应时间也同样不可能减少。

三. VectorDB辅助召回

无劣势，可无脑使用

传统的召回中有显著效果的就是Embedding召回，假设已经有Embedding已经训练好了，可无脑将Embedding存入VectorDB，利用VectorDB进行Embedding召回。

四. LLM生成Embedding替换自己训练Embedding模型

LLM生成Embedding是将文本内容转换为Embedding，针对物品处理起来很简单，对于用户，则可利用LLM针对用户画像数据生成用户描述。

优势：

1. 构建简单

2. 少量交互量的数据下(冷启动)效果好于传统模型

劣势：

1. 正常交互量的数据下效果相对不如传统模型(不算致命）

五. 总结

总优势：

1. 部署简单

2. 可产生解释

3. 适合冷启动

总劣势：

1. 效果差

2. 响应慢

3. 大数据下成本差