推荐算法是互联网信息分发的核心渠道，传统的推荐算法主要基于ID和协同信息建模用户对物品的个性化偏好。进入大模型时代，LLM 蕴含的强大世界知识和逻辑推理能力，给推荐系统带来了新的机遇和建模范式，进一步赋能工业推荐系统全链路。本次分享主要围绕推荐模型如何从大模型中取长补短以提升推荐效果展开，介绍华为在基于 LLM 的推荐算法方向的探索和工业（华为广告、音乐）落地，包括推荐协同信息的注入与对齐，大模型开放世界知识和推理能力的使用，面向推荐任务的大模型效率优化等。

演讲提纲：

1. 大模型时代的推荐系统背景介绍
   • 传统基于 ID 的推荐算法
   • 大模型给推荐系统带来的机遇
2. 基于大模型的推荐算法总览
3. 大模型直接推荐
   • 协同和语义空间对齐
   • 协同信息的注入
4. 大模型辅助推荐
   • 语义知识生成和实验
   • 效率优化
5. 总结和展望

听众收益：

• 了解基于大模型的推荐算法相关技术进展
• 了解华为在基于大模型的推荐算法方向的落地探索和实践经验

大模型对搜索技术产生了深远的影响，极大地推动了搜索技术的演进趋势，使得搜索更加的智能化和个性化，然而在搜索中引入大模型时同样面临一系列的挑战，例如商品知识的幻觉，复杂查询的理解，个性化商品推荐，隐私和安全等问题。本次演讲基于对电商场景的深刻理解和洞察，从实际问题出发创新性的引入大模型来解决这些痛点，阐述我们在电商大模型的技术探索和实践，覆盖电商大模型的知识增强预训练、指令对齐、安全性等方向，同时针对电商搜索场景介绍大模型在搜索主要方向的应用实践，最后讨论下一代 AI 电商搜索的相关技术和趋势见解。

演讲提纲：

1. 电商行业的发展和技术演进
   • 电商行业发展
   • 电商场景问题分析
   • 关键问题和技术挑战
   • 技术演进洞察
2. 大模型在电商场景下的问题
   • 大模型的技术优势
   • 电商场景下应用问题
3. 电商大模型关键技术
   • 数据&预训练
   • 通用对齐
   • 安全性
4. 电商搜索场景下大模型的应用实践
   • 搜索交互
   • 电商用户意图理解
   • 文案创意生成
   • 电商搜索相关性
5. 下一代 AI 电商搜索

听众收益：

• 了解电商场景的关键问题，以及大模型在电商场景下的优势与应用问题
• 了解电商场景下大模型的关键技术与应用实践

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

自从大模型出现以来，其强大的对话和推理能力催生出许多新的产品的形态和人机交互方式。另一方面大模型蕴含的世界知识和强大的内容理解能力，也让大家看到了大模型在传统搜索，推荐机器学习系统中应用的潜力。本次享将围绕这两个部分来展开，介绍大模型在小红书搜索，推荐的应用实践。

演讲提纲：

1. 小红书背景介绍
2. 大模型如何改变搜索引擎
   • 搜索引擎的局限性
   • 用户搜索行为分析
   • 搜索 Agent
3. 大模型与推荐系统的结合
   • 大模型如何理解内容
   • 大模型如何理解用户

听众收益：

• 如何基于大模型提高搜索引擎效率
• 如何基于大模型来提高内容理解和用户建模的效果