Interview: 大模型时代推荐系统架构的演进方向
题目解析
传统推荐系统依赖ID-based的协同过滤和深度排序模型，大模型的出现为推荐系统带来了全新的技术范式。本题考察候选人对推荐系统与LLM结合的技术趋势判断和架构设计能力，需要既理解传统推荐系统的工程实践又具备LLM技术视野。
解答思路
LLM在推荐系统中可承担三种角色：1）特征增强：用LLM生成用户画像摘要和物品语义标签，替代人工特征工程，显著提升冷启动效果；2）召回与排序：将推荐建模为自然语言任务，通过prompt描述用户行为历史让LLM直接推理推荐结果；3）交互式推荐：通过多轮对话理解用户细粒度意图，实现可解释的推荐。整体架构从传统的四级漏斗向”LLM理解意图+传统模型高效检索”的混合架构演进。
关键要点
LLM的优势在于语义理解能力强和跨域泛化好，但劣势在于推理延迟高和难以高效处理实时行为序列。实际落地中LLM更适合做离线的用户理解和内容理解增强，在线实时推荐的排序仍需毫秒级响应的轻量级模型。关键是找到LLM和传统模型各自发挥最大优势的分工点。
加分回答
讨论生成式推荐（直接生成物品ID序列）的前沿研究进展，LLM作为推荐系统统一接口实现跨场景推荐的可能性，以及用户行为序列的token化表示方法如何融入LLM的预训练框架。
常见踩坑
试图用LLM完全替代传统推荐模型而忽略延迟和成本约束；未考虑推荐系统对实时性的严格要求与LLM推理速度的根本矛盾；过度依赖LLM的语义理解而丢失了行为协同过滤信号；冷启动场景改善后未及时切换回效率更高的传统方案。