2025年3月22日，CCF YOCSEF济南技术论坛在国家超算济南中心科技园隆重举行。本次论坛由YOCSEF济南候任学术秘书郭磊（山东师范大学）、YOCSEF济南委员马经纬（山东师范大学）担任执行主席，YOCSEF济南通讯AC委员宫永顺（山东大学）、YOCSEF济南通讯AC委员范琳伟（山东财经大学）、YOCSEF济南委员王倩倩（山东女子学院）负责主持线上会议。与会嘉宾有山东科技大学赵中英教授、山东大学辛鑫副教授、阿里企业智能算法负责人陈祖龙、昆士兰大学高级讲师陈桐、昆士兰大学博士后袁为、山东大学教授孟雷、北京邮电大学陈晋鹏副教授（CCF YOCSEF总部委员）、浪潮软件科技有限公司李照川副总经理、CCF YOCSEF香港候任主席刘东屏（亚马逊云科技（AWS））、CCF YOCSEF济南主席杨晓晖（济南大学）、CCF YOCSEF济南候任主席田杰（山东女子学院）、CCF YOCSEF济南候任副主席宋立莉（山东建筑大学）、CCF YOCSEF济南副主席王朋（山东交通学院）、CCF YOCSEF济南副主席李慧宇（山东财经大学）、CCF YOCSEF济南副主席苏胜男（麒麟软件）、CCF YOCSEF济南候任副主席李克峰（山东交通学院）、CCF YOCSEF济南候任AC委员宋景琦（山东建筑大学）、CCF YOCSEF济南候任学术秘书杨磊（济南大学）、CCF YOCSEF济南委员李太忠（国网智能科技股份有限公司）、山东省计算中心（国家超算济南中心）韩晓晖研究员等四十余位学术和产业专家围绕大模型时代下个性化推荐系统议题，开展分享、探讨，梳理、凝练大模型时代下个性化推荐实现路径。

田杰进行YOCSEF文化介绍情况

论坛伊始， CCF YOCSEF济南候任主席田杰（山东女子学院）进行YOCSEF文化培训并对YOCSEF济南做总体介绍，强调YOCSEF以“承担社会责任、提升成员能力”为宗旨，是青年精英的训练营，在全国建设有28个分论坛，YOCSEF济南分论坛成立于2003年，在济南企业、政府委员的参与支持下，促进校、企、政各方面的青年才俊的加入与成长，与CCF分部、YOCSEF兄弟论坛资源共享，基于济南新旧动能转换产业优势，高校企业双螺旋共舞，服务地方经济。

引导发言阶段由四位引导嘉宾分别从轻量化推荐模型、生成式推荐算法、大模型在推荐领域的应用和联邦推荐等大模型在推荐系统领域应用的关键技术和典型场景进行介绍并发表引导观点。

赵中英作“简单高效-序列推荐算法的轻量化之路”引导发言

山东科技大学赵中英教授以《简单高效-序列推荐算法的轻量化之路》为题，1）针对跨域序列推荐场景中存在的“计算开销过高”与“层聚合策略不好”的挑战提出了一种轻量级的三分支图外部注意力网络；2）针对共享账户序列推荐场景中存在的“粗粒度用户表示”与“计算复杂度过高”挑战，提出了一种轻量化的图胶囊卷积网络。并针对未来工作给出了两点展望：1）探索共享账户内潜在用户数量的自适应方法，避免人工调参，提高模型的灵活性；2）探索更高效的图表示学习方法，以进一步降低计算复杂度并提高参数效率。最后强调了大模型在推荐算统中应用的可行性和相关风险。

辛鑫作“Content-Based Collaborative Generation for Recommender Systems”引导发言

山东大学辛鑫副教授以《Content-Based Collaborative Generation for Recommender Systems》为题，首先介绍了生成式推荐模型的研究背景，以及大语言模型在生成推荐任务中的相关作用；其次介绍了团队所提出的ColaRec算法的总体构架，然后分四个模块，分别介绍了该模型的四个组成部分；最后，对所提出的方法进行了总结，介绍了方法的创新性和实验的验证，并对未来工作进行了展望。

陈祖龙作“大模型时代下推荐系统应用问题探讨”引导发言

阿里企业智能算法负人陈祖龙以《大模型时代下推荐系统应用问题探讨》为题，首先介绍了推荐系统的主流架构，以及大模型时代的技术发展；然后重点介绍了大模型时代下的推荐系统范式；最后给出了大模型时代下的推荐系统发展思辨点：1）LLM性能问题中长期会是一个比较大的瓶颈?需要怎么突破；2）LLM的幻觉怎么减缓?怎么评估幻觉带来的影响?

袁为作“Federated Recommender Systems with Large Language Models”引导发言

昆士兰大学袁为以《Federated Recommender Systems with Large Language Models》为题，首先介绍了推荐系统中存在的关键问题和相关背景，然后进一步介绍了联邦推荐系统目前的主要框架和存在的问题，以及如何在大模型背景下进一步开呢联邦推荐任务；接着以如何利用大模型开展联邦推荐为主题，详细介绍了团队在该领域的两个主要工作，详细介绍了相关的模型训练方法，数据隐私保护算法，以及如何利用LLM增强传统的联邦方法。

思辨讨论环节

论坛思辨阶段围绕三个议题进行了三个小时的深度思辨研讨。议题一是“大模型赋能推荐系统存在哪些挑战，通用的推荐大模型是否存在？”与会专家积极讨论，有专家认为直接利用大语言模型进行推荐的挑战在于大语言模型如何处理数据中的噪音问题，可以将用户和物品的数据作为提示词输入给大模型以提升推荐性能，并且通用推荐大模型还需要继续发展；有专家提出大模型赋能推荐系统的挑战在于三点，一个是效率问题，第二点在于自然语言的生成和推荐任务的目标差别，第三点在于大模型对用户个性化行为的未知性，并且认为现在的大语言模型还不足以直接应用于推荐系统任务，未来需要探索不同的路线；有专家认为大模型的泛化能力、涌现能力和推理能力相当重要，如何利用这种能力赋能到推荐系统内是关键任务，现在的大语言模型还无法解决商业化推荐系统的目标。并且大语言模型处理长上下文还是存在困难，不足以处理商业化的数以百万计的商品推荐。未来会发展出通用推荐大模型。

议题二是“大模型与现有推荐算法相结合的研究范式有哪些，其它大模型的研究范式是否也适用于推荐领域？”与会专家和科研人员为代表的行业专家纷纷发言，有的专家认为现有研究有基于内容的，基于用户的，基于协同过滤的推荐系统研究范式等。同时，基于多模态的大模型在特征提取融合上有应用到推荐系统的潜力，并且通过构建用户画像，结合强化学习，大语言模型领域的高效微调方法也是不错的研究方向；有的专家则认为大语言模型与推荐系统的结合范式有三种， 分别是以embedding，token和llm representation为基础的，其中最后一点难度相对较高。大语言模型中的微调范式与推荐系统在工业界可能已经结合在一起。推荐任务是相对主观的任务，大模型的高泛化能力可能会提升推荐能力；有的专家则认为目前工业界利用大模型来做推荐系统还是有难点的，目前的主流的方法还是利用小模型去完成推荐任务。

议题三是“在大模型背景下，推荐系统的未来发展方向是什么，大模型能否帮助推荐算法开拓新的应用场景？与会专家纷纷发言，有的专家认为推荐系统在评估指标上的表现可能与真实的推荐场景不匹配，可以利用大模型在推荐评估上进行研究工作；有的专家认为推荐系统未来能够与大语言模型有机结合在一起，并且结合多模态的信息，实现多域泛化和可交互的推荐；有的专家则认为未来推荐系统的发展方向是有情感、有温度、可感知、可交互的，如何利用推荐系统来帮助用户做决策和推理也是一个关键研究方向；有的专家认为推荐系统要以客户为中心，从客户的角度来结合大模型的可交互性， 不断增强客户的体验感。

部分论坛与会专家学者合影

三个议题的讨论结果在论坛的第二阶段输出总结讨论中进行碰撞优化，形成了如下共识：

1. 大模型赋能推荐系统：大模型赋能推荐系统面临数据质量、效率、个性化、数据壁垒、泛化能力等多方面的挑战。尽管目前通用的推荐大模型尚未成熟，但通过打破数据壁垒、提升模型的理解和推理能力、结合多模态信息、优化用户体验等途径，未来有可能实现通用的推荐大模型。学术界和工业界的合作，以及统一的评测标准的提出，将有助于推动推荐系统大模型的发展。

2. 大模型与现有推荐算法相结合的研究范式：大模型与现有推荐算法相结合的研究范式包括基于嵌入、基于token、基于大语言模型表示的方法，以及微调、强化学习和对话式推荐等。此外，多模态大模型、生成式模型、联邦学习等其他大模型研究范式也适用于推荐领域，能够提升推荐系统的精准度、个性化和用户体验。然而，大模型在推荐系统中的应用仍面临数据稀疏性、工业界落地难度等挑战。未来的研究应结合具体任务场景，从底层问题出发，探索大模型与小模型的协同优化，推动推荐系统的发展。

3.推荐系统未来发展方向：在大模型背景下，推荐系统的未来发展方向包括AI Agent驱动的个性化推荐、多模态与多域泛化、情感化与交互化、以用户为中心的体验优化等。大模型能够帮助推荐算法开拓新的应用场景，如政务与行业应用、复杂推理与决策支持、对话式推荐、跨域推荐等。然而，推荐系统的发展仍面临数据稀疏性、工业界落地难度、任务场景依赖性以及伦理与隐私问题等挑战。未来的研究需要结合具体场景，从底层问题出发，探索大模型与小模型的协同优化，推动推荐系统向更智能、更人性化的方向发展。

最后，本次论坛执行主席郭磊感谢各位嘉宾的全程支持，CCF YOCSEF济南候任主席田杰做了总结发言，希望推荐大模型系列论坛能够持续举办，成为品牌输出，并希望大家持续关注YOCSEF济南，积极参加YOCSEF济南的各项活动。