面向冷启动推荐的大语言模型模拟器

在千亿级的在线推荐系统中，冷启动推荐仍然是一个重要挑战。虽然温项目因拥有历史用户行为数据而能获得较好的推荐效果，但冷启动项目仅依赖内容特征，导致推荐性能受限，进而影响用户体验和收入。当前模型虽能从内容特征生成合成的行为嵌入，但未能解决核心问题：缺乏历史行为数据。为此，我们引入 LLM Simulator 框架，利用大语言模型模拟冷启动项目的用户交互，从根本上解决冷启动问题。然而，仅凭 LLM 遍历所有用户在千亿级系统中会引入显著的计算复杂度。为此，我们提出了用于在线推荐的耦合滤波器 ColdLLM 框架。ColdLLM 通过训练好的耦合滤波器将候选用户数从数十亿有效地降低到数百人，从而使 LLM 在筛选后的用户集合上高效、有效地运行。大量实验表明，ColdLLM 在冷启动推荐任务中显著优于基线方法，包括 Recall 和 NDCG 等指标。两周的 A/B 测试也表明，ColdLLM 能有效提升冷启动阶段的 GMV。