当 LLM 遇上推荐系统：大模型到底能改进哪些环节

推荐系统是 AI 商业化最成熟的领域之一，但它有两个老毛病：冷启动难和语义理解浅。LLM 的出现让很多人以为”推荐要被重写了”，事实没那么夸张——LLM 不是替代推荐系统，而是在几个关键环节补上了短板。

一、先理解传统推荐的两条腿

传统推荐大致分两步：

• 召回：从百万级物品里快速筛出几百个候选。
• 排序：用精排模型给候选打分，决定最终展示顺序。

召回靠协同过滤和向量检索，排序靠特征工程加深度模型。这两步对ID 类特征依赖很重，也正因此，新物品和新用户一来就抓瞎。

二、LLM 的第一个用武之地：冷启动

传统模型靠”看别人怎么选”来推荐，新物品没有任何交互数据，就推不出去。

LLM 可以直接读物品的文本描述，理解它是什么，再匹配用户画像。比如一个新上架的相机，LLM 能从标题和参数里判断”适合拍星空的入门微单”，直接和”最近搜过星空摄影”的用户匹配上。这绕过了”必须有交互数据”的前提。

三、第二个环节：召回的语义化

传统向量召回用专门的 embedding 模型，语义粒度有限。引入 LLM 或更强的文本 embedding 后，召回能理解更细的意图：

• 用户搜”适合送女朋友的礼物”，能召回”轻奢香水”而非字面匹配。
• 用户历史偏”露营装备”，能泛化到”户外电源”这类关联品。

做法上，通常是用 LLM 生成物品的语义标签和摘要，再喂给向量检索，让召回质量上一个台阶。

四、第三个环节：排序的特征增强

LLM 不改排序模型的主干，但能生产更好的特征：

• 给每个物品生成结构化标签（场景、价格段、风格）。
• 给用户历史生成兴趣摘要，压缩成稠密特征。
• 生成”用户-物品”的语义匹配分作为补充特征。

这些特征拼进精排模型，往往能带来可观的点击率提升，且无需重训整个架构。

五、第四个环节：推荐理由生成

这是 LLM 最讨喜的用法。传统推荐给不出人话，用户不知道”为什么推给我”。

LLM 能基于用户画像和物品信息，生成个性化的一句话理由：

“你常买户外装备，这款防水登山包和你上个月买的冲锋衣是同一场景。”

不仅提升点击，还能增加信任感。注意理由必须能从真实特征推出，别让模型瞎编。

六、LLM 不是万能药

要清醒地看到局限：

• 延迟：LLM 推理慢，不能放在实时链路的主干，只能做离线或异步。
• 成本：每次调用都花钱，海量请求下不可承受，通常只用于冷启动物品或高频用户的理由生成。
• 幻觉：生成的标签和理由可能不实，需要约束和校验。
• 数据时效：LLM 不天然知道实时库存和价格，得靠工具调用补。

七、务实的落地顺序

别想着一次性重构。建议按投入产出比排序：

1. 先做冷启动：LLM 生成物品标签，解决新物品推不出去。
2. 再做理由生成：提升点击和体验，见效快。
3. 最后做特征增强：收益大但工程复杂，等前面跑顺了再上。

LLM 给推荐系统带来的不是革命，而是补位。 它补上了传统模型最缺的那块——对文本和语义的理解。用好这一点，推荐就能明显变聪明。