GeneRec：新加坡国立&中科大联手推出下一代生成式推荐系统范式 | 附中英文论文及源码生成式推荐系统范式

摘要

推荐系统通常从项目语料库中检索项目以进行个性化推荐。然而， 这种基于检索的推荐范式面临两个局限性:

• 语料库中人工生成的项目可能无法满足用户多样化的信息需求
• 用户通常通过点击等被动低效的反馈来调整推荐。

如今， 人工智能生成内容(AI - generated Content, AIGC)在各个领域都显示出了巨大的成功， 为克服这些限制提供了潜力:

• 生成式AI可以产生个性化的物品来满足用户特定的信息需求
• 新出现的ChatGPT显著促进了用户通过自然语言指令更精确地表达信息需求。由此看来， AIGC的蓬勃发展为下一代推荐范式指明了方向， 它有两个新的目标:
• 通过生成AI生成个性化内容
• 整合用户指令来指导内容生成。
  为此， 本文提出了一种新颖的生成式推荐范式GeneRec，它采用AI生成器来个性化内容生成， 并利用用户指令来获取用户信息需求。具体来说， 我们通过教师对用户指令和传统反馈(例如， 点击)进行预处理， 以输出生成指导。给定指导， 我们通过AI编辑器和AI创造者实例化AI生成器， 以重新利用现有物品并分别创建新物品。最终， GeneRec可以进行内容检索、 再用途化和创建， 以满足用户的信息需求。此外， 为了确保生成项目的可信性， 我们强调各种保真度检查， 如真实性和合法性检查。最后， 我们研究了在微视频生成上实现AI editor和AIcreator的可行性， 显示出良好的效果。

主要贡献

为了追求生成式推荐范式， 本文首先回顾了传统的基于检索的推荐范式。如图3所示， 传统的范例在物品语料库中对人工生成的物品进行排名， 将排名靠前的物品推荐给用户，然后收集用户反馈(例如点击)和上下文(例如交互时间)， 以优化用户未来的排名。尽管取得了成功， 但这样的传统范式存在两个局限性。1)项目语料库中可用的内容可能不足以满足用户个性化的信息需求。例如， 用户可能更喜欢特定风格的微视频， 如卡通， 而由人类生成这样的微视频耗时且成本高昂。2)用户目前主要通过被动反馈(例如点击)来细化推荐， 这无法明确有效地表达他们的信息需求。
AIGC提供了克服基于检索的推荐范式固有局限性的潜力。特别是， 1)生成式AI可以实时生成个性化内容， 包括重新利用现有物品和创建新物品， 以补充用户多样化的信息需求。例如， 它可以根据如图2所示的个性化用户偏好， 快速地将微视频转换为任何风格。此外， 2)新发布的chatgpt类模型为用
户提供了一个强大的界面， 可以通过自然语言指令更精确地传达他们多样化的信息需求(图1(a))， 补充了传统的用户信息搜索反馈。从这个角度来看， 新兴的AIGC刺激了下一代推荐系统的新目标， 以实现:1)通过生成式AI自动生成个性化内容，)整合用户指令来指导内容生成。
为此， 我们提出了一种新颖的生成式推荐器范式，称为GeneRec， 它集成了强大的生成式AI， 用于个性化内容生成， 包括重新利用和创造。图3展示了GeneRec如何在AI生成器和用户之间添加一个循环。将用户指令和反馈作为输入，I生成器需要了解用户的信息需求并生成个性化内容。生成的内容既可以添加到物品语料库中进行排名， 也可以直接推荐给用户。其中， 用户指令不仅限于文本对话， 还可以包括多模态对话， 即融合图像、 视频、 音频和自然语言来表达信息需求， 例如带有微视频的指令和“将微视频转移到卡通风格或” 改变衣服颜色的描述。

AI - generated Content

AI - generated Content2

AI - generated Content3

为了实例化通用范式，我们制定了一个模块来处理指令，以及两个模块来实现AI生成器。具体来说，一个指导员模块对用户指令和反馈进行预处理，以确定是否启动AI生成器以更好地满足用户需求，并对指令和反馈进行编码，以指导内容生成。给定指导，AI编辑器重新利用现有的物品来满足用户的特定偏好，即个性化物品编辑，而AI创造者直接创建新的物品来进行个性化物品创建。为确保生成物品的可信性和高质量，我们强调从偏见、隐私、安全、真实性和合法性等方面进行各种保真检查的重要性。最后，为了探索应用AIGC最新进展实现AI editor和AI creator的可行性，设计了几个微视频生成的任务，并在一个高质量的微视频数据集上进行了实验。实证结果表明，现有的AIGC方法可以完成一些再利用和创建任务，有希望在未来实现GeneRec的宏伟目标。我们在https://github.com/Linxyhaha/GeneRec上发布了我们的代码和数据集。

总而言之，我们的贡献有三个方面。

• 强调了AIGC在推荐系统中的重要作用，并指出了下一代推荐系统的扩展目标:走向生成式推荐范式，可以通过多模态指令自然地与用户交互，并灵活地检索、再用途和/或创建项目内容，以满足用户多样化的信息需求。建议通过制定三个模块来实例化生成式推荐范式:处理用户指令的指导者、用于个性化项目编辑的AI编辑器和用于个性化项目创建的AI创建者。
• 研究了利用现有AIGC方法实现所提出的生成推荐范式的可行性，并为未来的工作提出了有前途的研究方向。