Технический отчет RecGPT-V2

Аннотация

Крупные языковые модели (LLM) продемонстрировали значительный потенциал в преобразовании рекомендательных систем от неявного сопоставления поведенческих паттернов к явному логическому выводу намерений. Хотя RecGPT-V1 успешно pioneered эту парадигму, интегрировав LLM-обусловленное рассуждение в анализ пользовательских интересов и прогнозирование тегов элементов, она страдает от четырёх фундаментальных ограничений: (1) вычислительная неэффективность и когнитивная избыточность across множественных маршрутов рассуждения; (2) недостаточное разнообразие объяснений в генерации с фиксированными шаблонами; (3) ограниченная обобщающая способность в рамках парадигм обучения с учителем; и (4) упрощённая оценка, сфокусированная на результате, которая не соответствует человеческим стандартам. Для решения этих проблем мы представляем RecGPT-V2 с четырьмя ключевыми инновациями. Во-первых, Иерархическая Мульти-Агентная Система перестраивает логический вывод намерений через скоординированное collaboration, устраняя когнитивное дублирование и обеспечивая разнообразное покрытие интентов. В сочетании с Гибридным Представлением Вывода, которое сжимает контексты пользовательского поведения, наша framework снижает потребление GPU на 60% и улучшает эксклюзивную полноту с 9.39% до 10.99%. Во-вторых, Meta-Prompting framework динамически генерирует контекстно-адаптивные промты, улучшая разнообразие объяснений на +7.3%. В-третьих, ограниченное обучение с подкреплением смягчает конфликты множественных вознаграждений, достигая улучшения на +24.1% в прогнозировании тегов и на +13.0% в принятии объяснений. В-четвёртых, framework "Агент-как-Судья" декомпозирует оценку на многошаговое рассуждение, улучшая соответствие человеческим предпочтениям. Онлайн A/B-тесты на Taobao демонстрируют значительные улучшения: +2.98% CTR, +3.71% IPV, +2.19% TV и +11.46% NER. RecGPT-V2 устанавливает как техническую осуществимость, так и коммерческую жизнеспособность масштабного развёртывания LLM-обусловленного логического вывода намерений, преодолевая разрыв между когнитивным исследованием и промышленной полезностью.

English

Large language models (LLMs) have demonstrated remarkable potential in transforming recommender systems from implicit behavioral pattern matching to explicit intent reasoning. While RecGPT-V1 successfully pioneered this paradigm by integrating LLM-based reasoning into user interest mining and item tag prediction, it suffers from four fundamental limitations: (1) computational inefficiency and cognitive redundancy across multiple reasoning routes; (2) insufficient explanation diversity in fixed-template generation; (3) limited generalization under supervised learning paradigms; and (4) simplistic outcome-focused evaluation that fails to match human standards. To address these challenges, we present RecGPT-V2 with four key innovations. First, a Hierarchical Multi-Agent System restructures intent reasoning through coordinated collaboration, eliminating cognitive duplication while enabling diverse intent coverage. Combined with Hybrid Representation Inference that compresses user-behavior contexts, our framework reduces GPU consumption by 60% and improves exclusive recall from 9.39% to 10.99%. Second, a Meta-Prompting framework dynamically generates contextually adaptive prompts, improving explanation diversity by +7.3%. Third, constrained reinforcement learning mitigates multi-reward conflicts, achieving +24.1% improvement in tag prediction and +13.0% in explanation acceptance. Fourth, an Agent-as-a-Judge framework decomposes assessment into multi-step reasoning, improving human preference alignment. Online A/B tests on Taobao demonstrate significant improvements: +2.98% CTR, +3.71% IPV, +2.19% TV, and +11.46% NER. RecGPT-V2 establishes both the technical feasibility and commercial viability of deploying LLM-powered intent reasoning at scale, bridging the gap between cognitive exploration and industrial utility.

Технический отчет RecGPT-V2

RecGPT-V2 Technical Report

Аннотация

Support