从PALR到ClickPrompt：大模型推荐系统的应用与挑战

1. 大模型在推荐系统中的应用和挑战，以及其优缺点。 2. PALR（Personalization Aware LLMs for Recommendation）是一个基于Prompt设计的大模型推荐系统，通过构造自然语言的Prompt，将用户行为历史、用户画像、候选物品列表的信息告诉大模型，让大模型根据这些输入信息进行候选物品的排序并得出最终的推荐列表。 3. ClickPrompt是一个融合了传统CTR模型和大语言模型的推荐模型方案，通过共享Embedding层让大模型和CTR模型“互通有无”，使模型能够兼具CTR模型和大模型的优势。 4. 大模型在推荐系统中的应用面临着挑战，包括推荐效率、开销、工程复杂度、运行成本和灵活性等方面的问题。 5. 大模型直接带给推荐系统的收益增量并没有达到让人放弃传统推荐模型的地步，传统推荐系统已经充分利用了用户行为数据，部分抵消了大模型的收益增量。 6. 大模型的融入增加了推荐系统的复杂度和运行成本，训练和推理需要耗费大量GPU资源，且大模型不具备灵活性，无法满足不同业务场景的需求。 7. 大模型在推荐系统中的应用需要结合传统推荐模型，以充分发挥两者的优势，使其更好地落地实现。