RecGPT Technisch Rapport

Samenvatting

Aanbevelingssystemen behoren tot de meest invloedrijke toepassingen van kunstmatige intelligentie en fungeren als kritieke infrastructuur die gebruikers, handelaren en platforms met elkaar verbindt. De meeste huidige industriële systemen zijn echter nog steeds sterk afhankelijk van historische co-voorkomingspatronen en log-fitting doelstellingen, waarbij wordt geoptimaliseerd voor eerdere gebruikersinteracties zonder expliciet gebruikersintentie te modelleren. Deze log-fitting aanpak leidt vaak tot overfitting aan nauwe historische voorkeuren, waardoor de evoluerende en latente interesses van gebruikers niet worden vastgelegd. Als gevolg hiervan worden filterbubbels en long-tail fenomenen versterkt, wat uiteindelijk de gebruikerservaring schaadt en de duurzaamheid van het hele aanbevelingsecosysteem bedreigt. Om deze uitdagingen aan te pakken, heroverwegen we het algehele ontwerpparadigma van aanbevelingssystemen en introduceren we RecGPT, een next-generation framework dat gebruikersintentie centraal stelt in de aanbevelingspijplijn. Door grote taalmodellen (LLM's) te integreren in cruciale fasen zoals gebruikersinteresse-mining, itemretrieval en uitleggeneratie, transformeert RecGPT log-fitting aanbevelingen naar een intentie-gedreven proces. Om algemene LLM's effectief af te stemmen op deze domeinspecifieke aanbevelingstaken op grote schaal, omvat RecGPT een meerfasig trainingsparadigma, dat redenering-verbeterde pre-alignment en zelf-trainingsevolutie integreert, begeleid door een Human-LLM coöperatief beoordelingssysteem. Momenteel is RecGPT volledig geïmplementeerd in de Taobao App. Online experimenten tonen aan dat RecGPT consistente prestatieverbeteringen realiseert voor alle belanghebbenden: gebruikers profiteren van meer inhoudsdiversiteit en tevredenheid, terwijl handelaren en het platform meer exposure en conversies behalen. Deze alomvattende verbeteringsresultaten voor alle stakeholders valideren dat een LLM-gedreven, intentie-gedreven ontwerp een duurzamer en wederzijds voordelig aanbevelingsecosysteem kan bevorderen.

English

Recommender systems are among the most impactful applications of artificial intelligence, serving as critical infrastructure connecting users, merchants, and platforms. However, most current industrial systems remain heavily reliant on historical co-occurrence patterns and log-fitting objectives, i.e., optimizing for past user interactions without explicitly modeling user intent. This log-fitting approach often leads to overfitting to narrow historical preferences, failing to capture users' evolving and latent interests. As a result, it reinforces filter bubbles and long-tail phenomena, ultimately harming user experience and threatening the sustainability of the whole recommendation ecosystem. To address these challenges, we rethink the overall design paradigm of recommender systems and propose RecGPT, a next-generation framework that places user intent at the center of the recommendation pipeline. By integrating large language models (LLMs) into key stages of user interest mining, item retrieval, and explanation generation, RecGPT transforms log-fitting recommendation into an intent-centric process. To effectively align general-purpose LLMs to the above domain-specific recommendation tasks at scale, RecGPT incorporates a multi-stage training paradigm, which integrates reasoning-enhanced pre-alignment and self-training evolution, guided by a Human-LLM cooperative judge system. Currently, RecGPT has been fully deployed on the Taobao App. Online experiments demonstrate that RecGPT achieves consistent performance gains across stakeholders: users benefit from increased content diversity and satisfaction, merchants and the platform gain greater exposure and conversions. These comprehensive improvement results across all stakeholders validates that LLM-driven, intent-centric design can foster a more sustainable and mutually beneficial recommendation ecosystem.

RecGPT Technisch Rapport

RecGPT Technical Report

Samenvatting

Support