这是大模型推荐系统的第一课，我是小白做相关毕设，快速学习

推荐系统对我们来说并不陌生。它就像抖音、小红书、哔站那样，实时给我们推荐可能喜欢的内容。

其实推荐系统是一个挺大的概念。就我目前的理解，它和CV、NLP/LLM、多模态一样，是当前算法应用的主要方向之一。在推荐系统里，通常还包含所谓的“搜推广”——也就是搜索、广告和推荐。比如百度的浏览器广告、抖音的内容推送、小红书的笔记推荐，还有各类搜索结果的生成等等。虽然很多内容其实相互交叉，但这样划分对初期的我来说，有助于建立一个基本的认知框架。

在Transformer出现之前，推荐系统就已经有很多经典算法了，比如协同过滤。不过，既然我的重点是学习LLM4Rec，后续就不花太多时间梳理这些传统方法了。

当然，我也不是完全零基础，只是在推荐系统这块比较“小白”。在此之前，我已经有了一些机器学习、深度学习和大模型的基本理论知识。如果你还没接触过这些，建议先了解一些基础概念，比如深度学习从设计、训练到部署的整体流程，前向传播、反向传播、特征工程、常见的网络层（特征层、激活层、归一化层、Dropout、损失函数、优化器等），以及Transformer的结构。此外，也可以看看像BERT、Qwen、DeepSeek这样的具体模型应用。

接下来，我就要正式进入LLM4Rec的学习了。我打算先了解推荐系统的基本流程和相关术语，然后逐步看论文、调试代码、动手实践，并记录自己的想法。

推荐系统的目标，简单来说，就是优化用户特征与商品（items）之间的映射关系。也就是根据用户信息+历史行为，预测下一个可能喜欢的item。

传统推荐系统一般流程如下：

1. 用户特征化 + 商品特征化
2. 通过算法计算用户与商品的相关性
3. 召回：从海量商品中筛选出一部分可能相关的候选集
4. 排序：对召回的结果进行排序（可能还分粗排和精排）
5. 输出最终的推荐列表

关键环节包括：特征化、关系计算、召回策略、排序策略，以及最终的业务推荐策略。

现在的LLM4Rec，说白了就是用大模型来替代或增强上述流程中的某些环节。例如最简单的做法可以是：

1. 把用户数据和近期偏好内容改写成文本描述
2. 把商品列表也改写成文本描述
3. 将两者通过Prompt输入大模型，直接生成推荐结果

其实大模型在推荐中有两大方案，一种就像我刚刚举例这样，称为“LLM as Rec”，另一种是“LLM for Rec”，这种类似是用LLM来对传统推荐的各个部分进行替代

当然，大模型做推荐也会面临一些问题，比如上下文长度限制、推理速度较慢、生成式推荐的可控性等。我会在后续学习中随时记录这些疑问，慢慢探索。另外，我可能会更偏向于“内容推荐”这个方向。

思考： 在自己的理解中，传统推荐与大模型推荐最主要的区别在哪？为什么会有这种区别？