2026年4月16日，数计学院翠湖学者论坛在逸夫楼511会议室成功举办。学院吕丹丹老师作题为“基于大语言模型的推荐算法研究——算法分类、典型实例与工业应用”的学术报告，近百名师生齐聚现场，共同探讨大模型时代推荐系统的技术演进与产业前沿。

报告聚焦传统推荐系统的现实瓶颈，深入阐述了大语言模型（LLM）赋能推荐系统的核心价值。吕丹丹老师指出，传统推荐系统长期面临用户-物品交互矩阵极度稀疏、新用户与新物品冷启动困难、基于ID的特征缺乏深层语义理解以及“黑盒”模型可解释性不足等局限。而以GPT、BERT等为代表的大语言模型，凭借其强大的语义理解、丰富的开放世界知识和出色的推理能力，为打破这些瓶颈提供了全新契机，在解决冷启动、长尾物品推荐及可解释推荐等场景中展现出巨大的融合价值。

在核心理论与算法分类部分，报告系统梳理了基于LLM的推荐技术发展脉络，并重点解析了四大类算法框架及典型实例：一是LLM特征提取方法，以知识增强推荐框架KAR为例，通过动态分解提示从LLM中提取推理与事实知识，在不增加在线推理耗时的前提下显著提升推荐泛化能力；二是文本推荐模型，如P5统一预训练框架，将多种推荐任务转换为统一的prompt格式，实现了跨任务的零样本泛化；三是微调LLM方法，如TALLRec利用LoRA低秩适应技术进行参数高效微调，训练成本降低90%的同时快速注入协同信号；四是融合建模方法，如FLIP框架通过对比学习实现ID模型与语言模型的细粒度对齐，深度融合语义与协同空间优势。

结合生动的工业界落地案例，报告展示了该领域的最新实践成果。吕老师不仅介绍了Meta万亿参数生成式推荐、快手RecGOAT多模态对齐等宏观应用，还深度剖析了得物社区基于LLM的新颖性推荐算法。针对“信息茧房”难题，得物方案利用LLM构建动态用户知识图，创新性地引入多智能体多轮辩论机制提升两跳推理的准确性，并结合近线召回架构与对比学习，成功在100ms内实现兼顾意外性与消费效率的实时新颖性推荐，为工业界平衡大模型能力与工程性能提供了宝贵经验。

报告最后，吕丹丹老师客观分析了当前LLM推荐面临的大模型推理延迟、纯ID特征建模及长文本上下文限制等挑战，并展望了模型压缩加速、多模态融合与可解释推荐等未来研究方向。在互动环节，现场师生围绕四类方法的工程选型、大模型幻觉控制及得物案例的部署细节展开了深入交流。大家纷纷表示，该报告既有严谨的学术框架，又紧贴一线工业实践，为理解大语言模型与推荐系统的交叉融合提供了全景视角，有效激发了同学们对智能推荐前沿领域的探索热情，为学院相关学科的交叉融合与高质量发展注入了新动力。

撰稿：王福成 编辑：胡章砚  初审：柏家文  审稿：吴桂芳齐平