传统推荐靠协同过滤和矩阵分解。大模型带来了新可能——理解内容语义、用户意图、生成个性化解释。

LLM在推荐中的角色

内容理解：用Embedding把商品描述转换成语义向量。用户画像：分析用户自然语言反馈提取偏好。推荐解释：为推荐结果生成个性化理由。对话式推荐：通过多轮对话理解需求。

实践方案

用Embedding做召回：用户历史行为和候选商品向量化，相似度做初步召回。用LLM做精排：候选商品和用户画像输入LLM排序并给出理由。

注意事项

LLM推理延迟高，不适合实时召回。可以离线用LLM生成推荐特征，在线用轻量模型排序。真正价值在于长尾内容和冷启动场景。