文章主要内容总结本文是一篇关于利用大型语言模型（LLMs）解决推荐系统挑战的综合性技术综述，核心内容包括：传统推荐系统的局限性：传统推荐系统采用模块化架构（候选生成、多阶段排序、重排序），各模块独立训练，依赖人工设计特征和有监督目标，面临数据稀疏、冷启动、个性化深度有限、语义理解不足等持续挑战。LLMs在推荐系统中的应用：LLMs通过统一的、原生语言机制为解决上述挑战提供了新范式，具体应用包括：基于提示的候选检索（prompt-driven candidate retrieval）；原生语言排序（language-native ranking）；检索增强生成（RAG）；对话式推荐（conversational recommendation）。这些方法无需大量任务特定监督，即可增强个性化、语义对齐和可解释性。LLMs的优势：支持零样本和少样本推理，通过外部知识和上下文线索在冷启动和长尾场景中有效运行；能够泛化跨任务、跨领域和跨模态的信息。架构分类与权衡分析：文章对新兴的LLM驱动架构进行分类，分析其在缓解传统推荐系统瓶颈（如数据稀疏、冷启动）中的有效性，提出理解LLM增强推荐系统设计空间的结构化框架，并概述准确性、可扩展性和实时性能之间的权衡。
A Comprehensive Review on Harnessing Large Language Models to Overcome Recommender System Challenges
文章主要内容总结本文是一篇关于利用大型语言模型（LLMs）解决推荐系统挑战的综合性技术综述，核心内容包括：传统推荐系统的局限性：传统推荐系统采用模块化架构（候选生成、多阶段排序、重排序），各模块独立训练，依赖人工设计特征和有监督目标，面临数据稀疏、冷启动、个性化深度有限、语义理解不足等持续挑战。LLMs在推荐系统中的应用：LLMs通过统一的、原生语言机制为解决上述挑战提供了新范式，具体应用包括：基于提示的候选检索（prompt-driven candidate retrieval）；原生语言排序（language-native ranking）；检索增强生成（RAG）；对话式推荐（conversational recommendation）。这些方法无需大量任务特定监督，即可增强个性化、语义对齐和可解释性。LLMs的优势：支持零样本和少样本推理，通过外部知识和上下文线索在冷启动和长尾场景中有效运行；能够泛化跨任务、跨领域和跨模态的信息。架构分类与权衡分析：文章对新兴的LLM驱动架构进行分类，分析其在缓解传统推荐系统瓶颈（如数据稀疏、冷启动）中的有效性，提出理解LLM增强推荐系统设计空间的结构化框架，并概述准确性、可扩展性和实时性能之间的权衡。