2025年5月24日，YEF 2025专题论坛【当生成式RS学会读心术：如何打造更懂你的推荐系统？】在广东珠海横琴湾酒店成功举办。本次论坛由青岛科技大学刘金环副教授（YOCSEF青岛副主席）和中国海洋大学姜桂圆副教授（YOCSEF青岛副主席）共同主持，由山东科技大学张鹏（YOCSEF青岛24-25学术秘书）和中国海洋大学刘皓冰（YOCSEF青岛委员）担任线上主席。本次论坛邀请了中国人民大学陈旭副教授、哈尔滨工业大学（深圳）陈科海教授、香港大学黄超助理教授、浙江大学陈超超特聘研究员、山东大学辛鑫副教授担任报告嘉宾，并邀请亚马逊科技刘东屏担任Panel嘉宾。论坛也吸引了来自国内推荐系统、生成式人工智能、可信推理等多个交叉领域的60余位专家学者，共同探讨生成式推荐系统的最新技术进展，分析当前痛点问题的突破路径，明确生成式推荐的能力边界，为构建更智能、更懂用户的下一代推荐系统提供有益的参考和启发。

中国人民大学陈旭以《基于生成模型的人类行为模拟》为题，分享了如何获取高质量的用户行为数据，利用大模型对推荐系统中的用户进行建模并对人类的行为进行模拟，缓解判别式推荐系统中的信息茧房问题。他还分享了其团队研发的三代人类行为模拟平台，展示了如何利用大语言模型模拟用户行为以优化推荐系统。其中，第一代平台（ReAgent）通过1000个智能体模拟网络行为，验证了信息茧房等现象；第二代（GenSim）扩展至10万级智能体，支持多领域模拟；第三代（OneSim）则通过自然语言生成场景，降低使用门槛并集成AI社会研究功能。陈教授强调，智能体技术可形成用户-系统的反馈闭环，提升用户理解度和推荐精准度，进而构建出更懂用户的推荐系统。

哈尔滨工业大学（深圳）陈科海做了题为《大模型的知识增强与可信推理》的报告。其中，基于大模型的知识增强通过知识注入、知识约束、知识缓存等机制，将外部知识引入到大模型的推理过程，提升深度推理能力。而基于大模型的可信推理借助自我反思、模型安全、安全效用平衡、数据合成等，保障推理结果可信性。该技术为生成式推荐系统在复杂任务中实现性能突破，高效、精准的推理能力提供了技术支持。

香港大学黄超做了题为《大模型智能体的潜能与挑战》报告。他介绍了其团队在LLM智能体领域的突破，包括VideoAgent（超长视频理解）、AI Creator（自动化视频生成）和AutoAgent（领域专属智能体构建）。他分析了利用LLM落地和应用时所存在的幻觉和知识缺乏等问题，强调了多模态理解与端侧部署的重要性，并指出数据与框架对未来技术发展的关键作用，为生成式推荐的多模态应用提供了新思路。

浙江大学陈超超以《下一代多模态生成式推荐的范式探讨》为题，回顾了推荐系统从协同过滤到生成式模型的演进，分析了判别式推荐的局限性及生成式推荐的优势。他指出推荐系统正在经历从判别式到生成式的重要转型，旨在更好地理解和满足用户多样化的兴趣需求。然而，现有生成式推荐方法在处理复杂异构多模态信息时仍面临局限，包括跨模态语义对齐困难、生成模型效率低下、冷启动等问题。本报告回顾了生成式推荐的演进路径，总结主流技术路线与当前面临的关键问题，并探讨了下一代多模态生成式推荐的新范式。

山东大学辛鑫做了题为《内容与协同信息增强的生成式推荐》的报告，分享了与腾讯合作的生成式推荐研究，提出在统一的生成框架中对商品内容、用户与商品的协作交互进行建模对推荐效果至关重要。尽管一些现有的基于大型语言模型 (LLM) 的方法有助于融合内容信息和协作信号，但它们本质上依赖于文本语言生成，这与推荐任务并不完全契合。因此如何在一个专为商品推荐设计的生成框架中整合内容知识和协作交互信号仍然是一个开放的研究挑战。他介绍了一种多任务训练框架，为生成式推荐的实际应用开辟了新路径。

引导发言阶段结束后，论坛进入思辨环节。会场的嘉宾和观众们围绕以下四个议题展开激烈讨论：

议题1：判别式推荐系统存在哪些局限性，生成式推荐系统能否突破？

嘉宾们一致认同，判别式推荐系统在实际应用中面临多重挑战。陈旭详细分析了其局限性，即依赖历史行为数据的传统系统在数据稀疏性和冷启动问题上表现不佳。此外，这种系统容易导致信息茧房，即用户被困在重复的兴趣范围内，使推荐内容缺乏多样性。他举例说明，在音乐推荐场景中，用户可能长期收到同一风格的歌曲，难以发现新的兴趣点。

相比之下，生成式系统的突破潜力得到了广泛认可。黄超指出，生成式模型通过融合开放世界知识，可以生成超出用户历史行为的全新内容。例如，在新闻推荐中，生成式系统不仅能推荐已有文章，还能根据用户兴趣生成定制化的摘要或评论，从而提升多样性和用户黏性。

尽管如此，生成式推荐系统也面临特定问题。陈科海深入分析了生成式模型的幻觉问题，即模型可能产生不准确甚至虚假的内容。他以金融预测为例，指出若模型错误预测股票走势，可能会造成严重的经济损失。从产业视角，亚马逊云科技的刘东屏补充表示，尽管生成式推荐在个性化应用（如智能助手、内容生成）方面表现优异，但在高频率交易场景中，其计算成本较高、响应速度较慢，存在显著缺陷。他进一步引用了亚马逊的内部测试数据，生成式推荐系统的实时性仅为判别式系统的三分之一，这在高要求的电商促销活动（如“秒杀”活动）中是一个严重的制约因素。

议题2：生成式推荐系统的能力边界在哪里？

嘉宾们围绕生成式推荐系统的能力边界展开了讨论，认为不同模态的生成任务成熟度差异显著。陈超超研究员详细分析了三类模态的现状：文本生成技术已相对成熟，例如在电商平台中，系统可以根据商品描述自动生成吸引人的文案；音频生成在背景音乐推荐领域也初见成效，例如Spotify正在测试基于用户情绪生成定制播放列表的功能；而视频生成的商业化应用仍遥遥无期。黄超分享了其团队的VideoAgent项目，该系统虽能处理超长视频并生成摘要，但生成内容的连贯性（如情节逻辑）和质量（如画面细节）仍不尽如人意。他预测，视频生成可能需再过3-5年才能达到实用水平。

评估体系的缺失是另一个关键边界。辛鑫指出当前生成式推荐的评价仍高度依赖人工打分，例如通过用户问卷或专家审核来判断推荐内容的质量。这种方式不仅耗时耗力，还限制了技术的快速迭代。他举例说，其团队曾尝试用BLEU等自动化指标评估生成文本，但发现这些指标无法全面反映用户体验。陈旭进一步补充道，生成式推荐的评估需综合多个维度：准确性（内容是否贴合需求）、多样性（是否突破茧房）、隐私保护（是否泄露用户数据）以及用户参与度（是否激发互动）等。他呼吁业界共同开发一个多维度的标准化评估框架。

议题3：在生成式模型的推动下，推荐系统逼近能力边界的演进路径是什么？

针对如何突破能力边界，嘉宾们提出了多条演进路径。首先，构建多维度评估体系被认为是当务之急。陈科海建议评估应覆盖用户满意度（通过A/B测试收集反馈）、内容质量（通过专家评分或用户评分衡量）、系统效率（计算延迟和资源消耗）等指标。黄超则提出了“混合架构”的思路：先利用判别式模型快速匹配已有内容，再由生成式模型补充创新内容。这种方法已在视频推荐场景中验证，既保证了效率，又提升了多样性。

其次，嘉宾们强调深耕垂直领域的重要性。刘东屏分析道，生成式推荐在教育（如生成个性化学习材料）和媒体（如自动生成新闻摘要）等低频场景中更容易落地，因为这些场景对实时性要求较低，且用户更看重内容质量。而在高频电商场景中，如实时优惠推荐，判别式系统仍占主导地位。陈超超进一步指出，多模态融合和知识增强是未来的技术方向，将文本、图像和用户行为数据融合，生成更具沉浸感的推荐内容，例如在旅游推荐中同时生成文字描述和虚拟导览视频。

伦理与合规问题也被多次提及。辛鑫警告说，生成式系统若过度优化用户偏好，可能加剧信息茧房，甚至传播偏见内容。他建议引入多样性调控机制，例如在推荐结果中强制加入一定比例的“探索性”内容。陈旭则强调了内容审核和隐私保护的重要性。他提到欧盟等法规已对推荐系统提出严格要求，生成式系统必须在设计之初就嵌入合规机制和技术保护用户数据。

议题4：生成式推荐对青年科技工作者成长有何助益和影响？

在论坛的Panel讨论环节，多位专家围绕生成式推荐系统领域，为青年科技工作者提供了切实可行的建议和启发。嘉宾鼓励青年拥抱生成模型，但需避免过度依赖，生成式技术虽强大，但过度依赖大模型可能导致思维惰性，青年学者在研究中保持批判性思维。嘉宾建议青年学者从产业痛点出发，将技术创新与实际问题结合，比如生成式推荐在优化电商退货率或改进医疗随访系统方面有很大潜力。此外，嘉宾们鼓励青年关注技术商业化，找到创新与市场需求的结合点。专家们一致认为，生成式推荐技术为青年科技工作者带来了机遇与挑战，通过将技术与实际应用及社会责任相结合，青年能在这一领域实现突破并推动行业发展。

最后，CCF YOCSEF青岛现任主席仲国强教授对论坛进行总结。YOCSEF青岛已连续三年在YEF会议上举办专题论坛，也连续三年获评“优秀技术论坛”，每届均有近30位青岛地区的AC/委员积极参与和支持。本次YEF2025专题论坛的成功举办，不仅展示了生成式推荐系统的前沿成果，也为学术界与产业界的思维碰撞提供了舞台。未来，我们期待更多创新突破，推动推荐系统向更懂用户的方向迈进。