专题演讲嘉宾：王皓

大模型已经广泛应用于推荐系统，它们通过处理海量数据，能够精准地捕捉和预测用户的兴趣偏好，为用户提供个性化的推荐服务。最新的研究工作表明，与传统推荐算法相比，基于大模型的推荐系统在性能上实现了质的飞跃。

然而，大模型的有效性并非没有挑战，例如大模型的训练需要依赖于高质量的数据。数据的质量直接影响到模型的学习和预测能力。数据的收集、清洗和处理过程复杂且成本高昂。

我们通过在序列推荐中针对用户数据生成、用户多行为分析及推荐系统中的大模型架构等多方面优化，提升了推荐性能，本次将重点分享这些实践。

演讲提纲：

1. 传统推荐 vs 大模型推荐
2. 大模型推荐相关工作
3. 大模型中推荐数据生成
4. 多行为推荐大模型
5. 实践观察与结论

听众收益：

• 了解大模型在推荐系统相关现状
• 了解大模型在推荐系统中的相关实践尝试与经验