Технический отчет RecGPT

Аннотация

Рекомендательные системы являются одними из наиболее значимых приложений искусственного интеллекта, выступая в качестве критически важной инфраструктуры, связывающей пользователей, продавцов и платформы. Однако большинство современных промышленных систем по-прежнему сильно зависят от исторических паттернов совместного появления и целей, основанных на подгонке к логам, то есть оптимизируют прошлые взаимодействия пользователей без явного моделирования их намерений. Такой подход, основанный на подгонке к логам, часто приводит к переобучению на узких исторических предпочтениях, не учитывая эволюцию и скрытые интересы пользователей. В результате это усиливает эффект "фильтрующего пузыря" и явления длинного хвоста, что в конечном итоге ухудшает пользовательский опыт и угрожает устойчивости всей экосистемы рекомендаций. Для решения этих проблем мы переосмысливаем общую парадигму проектирования рекомендательных систем и предлагаем RecGPT — фреймворк следующего поколения, который ставит намерения пользователя в центр процесса рекомендаций. Интегрируя большие языковые модели (LLM) в ключевые этапы анализа интересов пользователей, поиска товаров и генерации объяснений, RecGPT преобразует рекомендации, основанные на подгонке к логам, в процесс, ориентированный на намерения. Для эффективной адаптации универсальных LLM к указанным специализированным задачам рекомендаций в масштабе RecGPT использует многоэтапную парадигму обучения, которая включает предварительную адаптацию с усилением логического мышления и эволюцию самообучения, управляемую системой оценки, основанной на сотрудничестве человека и LLM. В настоящее время RecGPT полностью внедрен в приложение Taobao. Онлайн-эксперименты демонстрируют, что RecGPT обеспечивает стабильное улучшение показателей для всех заинтересованных сторон: пользователи получают больше разнообразия контента и удовлетворения, а продавцы и платформа — больше охвата и конверсий. Эти всесторонние улучшения подтверждают, что дизайн, ориентированный на намерения и управляемый LLM, способствует созданию более устойчивой и взаимовыгодной экосистемы рекомендаций.

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.

Технический отчет RecGPT

RecGPT Technical Report

Аннотация

Support