0000 生成式推荐系统优势介绍

推荐系统的主要任务是根据用户的历史行为预测其兴趣点，并向其推荐相应的商品。传统的推荐系统在处理用户请求时，会触发多个召回模块（包括热门商品召回、个性化召回、深度召回等），以召回大量候选商品。随后，系统通过相对简单的粗排模型对候选集进行初步筛选，缩小候选范围，最后通过精排和重排模型，确定最终返回给用户的推荐结果。

随着大语言模型（LLM）在推荐系统中的应用，生成式推荐系统相比传统推荐系统展现出以下优势：

1）简化推荐流程：生成式推荐系统实现了从多级过滤的判别式（discriminative-based）架构向单级过滤的生成式（generative-based）架构的转变。通过直接生成推荐结果，简化了推荐流程，降低了系统复杂度。

2）知识融合：LLM 具有更强的泛化能力和稳定性。利用 LLM 所包含的世界知识和推理能力，可以突破传统电子商务平台在商品和用户建模中存在的数据局限性。在新用户和新商品的冷启动以及新领域的推荐场景中，生成式推荐系统能够提供更优的推荐效果和更好的迁移性能。

3）规模定律 （Scaling Law）：传统的点击率（CTR）稀疏模型在模型规模扩大时，边际收益递减现象明显。而 LLM 所表现出的规模定律属性，为模型的有效扩展提供了一种新模式，即模型性能随着规模的增加而持续提升。这意味着通过扩大模型规模，可以获得更好的推荐效果，突破传统模型的性能瓶颈。







图 1: 传统推荐系统与基于 LLM 的生成式推荐系统对比（图片来源于 https://arxiv.org/pdf/2309.01157）

下面以京东广告场景落地生成式召回为例，介绍大语言模型在推荐系统的应用。



0001 生成式召回方案介绍

1、生成式召回算法与实现简介

生成式推荐涉及两个接地（grounding）过程：一是建立商品与自然语言的连接。二是建立用户行为与目标商品之间的连接。为实现这两个过程，我们需要以下几步：

1）商品表示：在实际操作中，直接生成文档或商品描述几乎是不可行的。因此，我们采用短文本序列，即语义 ID，来表征商品。选取高点击商品的标题、类目等语义信息，经由编码器模型获得向量表示，再利用 RQ-VAE 对向量进行残差量化，从而获得商品的语义 ID。例如，商品：“XXX品牌 14+ 2024 14.5 英寸轻薄本 AI 全能本高性能独显商务办公笔记本电脑” 可表示为：<a_99><b_225><c_67><d_242>。

2）用户画像&行为建模：通过构建提示词来定义任务，并将用户相关信息（例如用户画像和用户历史行为数据）转化为文本序列。例如：“用户按时间顺序点击过这些商品：<a_112><b_160><c_67><d_138>,<a_71><b_30><c_228><d_128>, <a_20><b_251><c_30><d_178> 你预测用户下一个可能点击的商品是？”。

3）模型训练：确定了生成模型的输入（用户表示）和输出（商品物料标识符），即可基于生成式 Next Token Prediction 任务进行模型训练。

4）模型推理：经过训练后，生成模型能够接收用户信息并预测相应的商品语义 ID，这些语义标识可以对应数据集中的实际商品 ID。

(了解详细算法方案请参考：生成式推荐系统与京东联盟广告-综述与应用。 )

2、LLM 模型部署的工程适配

传统基于深度学习的召回模型，其参数量通常在几十万到几千万之间，且模型结构以Embedding层为主。而采用大语言模型（LLM）实现的生成式召回模型，其参数规模大幅提升至0.5B至7B之间，模型结构主要由Dense网络构成。由于参数量的急剧增加，LLM在推理过程中所需的计算资源相比传统模型显著提升，通常高出数十倍甚至上百倍。这使得LLM在处理复杂任务时具备更强的表现力，但同时也对计算能力有了更高的要求。

将如此庞大的算力模型部署至线上环境，并确保其满足毫秒级实时响应的需求，同时在严格控制资源成本的前提下实现工业化应用，这无疑是对工程能力的巨大考验。因此，我们必须对在线推理架构进行极致的性能优化。







图 2: 在线推理架构

3、基于 TensorRT-LLM 的 LLM 构建优化及其系统部署

· 在建模封装层，通过 TensorRT-LLM 实现 LLM 模型的构建与优化。然后将 LLM 无缝整合至现有生态系统，利用 Python 与 TensorFlow API 实现端到端推理图的构建。基于 TensorFlow 原生算子及现有业务的自定义 TensorFlow 算子库（例如用户行为特征处理算子），实现算法的灵活建模。

· 在推理优化层，通过应用 Inflight Batching、Constrained Sampling、Flash Attention 及 Paged Attention 等加速方案，最大限度地提升单卡吞吐量并降低推理延迟。

· 在系统部署方面，为了最大化利用时间资源，生成式召回的部署采用了与传统多分支召回模块并行的方式。由于生成式召回简化了推理流程，相较于传统召回方式，其资源消耗更少，运行时间更短，并且取得了优异的召回效果。





图 3：生成式召回与传统多路召回并行

4、生成式召回在推荐及搜索场景应用效果

目前，生成式召回已在京东广告推荐场景及搜索场景等业务线成功实施。在推荐场景，借助生成式模型的参数规模及语义理解优势，AB 实验结果显示商品点击率与消费带来了显著的提升。在搜索场景，通过 LLM 所具备的语义理解能力，显著提升了对查询与商品的认知能力，特别是在处理搜索中的长尾查询时，填充率有明显提升，AB 实验同样取得了点击率与消费几个点的收益增长。

0010 推理优化加速: 实现降低延迟、提升吞吐

在线推理基于Nvidia TensorRT-LLM, 通过使用 TensorRT-LLM 中的多种优化特性，并针对广告生成式召回业务场景进行深度定制优化后, 不仅模型推理延迟达到线上业务要求, 同时吞吐也有着显著提升。

在 NVIDIA GPU 上进行的测试中，通过对比 TensorRT-LLM 与基线，发现在限制 100 毫秒推理耗时的广告场景下，采用 TensorRT-LLM 进行推理，叠加针对业务的定制优化后，其吞吐量相较于 baseline提升了五倍以上。这相当于将部署成本降至原来的五分之一。





图 4：TensorRT-LLM 和基线的对比 (Qwen2-1.5B | beam 5 | vocab size 15W | input 150 | output 4)

对于这个特定的应用场景，beam width 的合理配置对检索结果有着重要影响。一般来说，较高的 beam width 能够增加候选商品的数量，从而提高检索的准确性。以返回 300 个商品为例，若 beam width 设置较低，每个 code 就需要对应更多的商品 id，这无疑会降低检索的精度。

针对这个情况，一方面我们与NVIDIA DevTech 技术团队合作进行了有针对性的二次开发和优化工作，另一方面，结合生成式召回的业务场景，研发定制高性能GPU算子，大幅提升推理效率，最终让 TensorRT-LLM 支持更大范围的 beam width, 从而及时满足了线上的业务需求。



0011 持续优化以实现模型效率效果提升

未来, 我们将持续在生成式推荐领域深入探索, 重点聚焦以下几个方面

1）提升模型规模，满足实时推理需求

当前，受制于算力、时间消耗和成本等客观条件，生成式推荐系统在实时推理中的可部署模型规模相对较小（约 0.5B 至 6B 参数）。然而，离线实验数据表明，扩大模型规模能够显著提升线上推荐效果。这对在线性能优化提出了更高要求。为了在不显著增加成本的前提下支持更大规模的模型在线部署，需要进一步优化模型结构和推理效率。例如，采用模型剪枝、量化等模型压缩技术，优化采样检索算法效率，以及高效的分布式推理架构。

2）扩展用户行为输入，提高模型效果

实验证明，输入更长的用户历史行为序列可以提升模型的推荐效果。然而，更长的序列输入会导致计算资源消耗的增加和推理时间的延长。为此，需要寻求在效果提升和性能开销之间的平衡。对应的优化方案包括：

a. Token 序列压缩：通过对输入序列进行压缩，如去除冗余信息、合并相似行为等，减少序列长度的同时保留关键信息。

b. 用户行为 KV 缓存复用：在推理过程中，针对用户行为特征有序递增的特点，对长期行为进行离线计算并进行缓存，在线部分负责计算实时行为，避免重复计算的同时最大化利用算力，提高推理效率。

3）融合稀疏与稠密模型，实现联合推理

随着模型参数量的增大，可以考虑将稀疏的传统 CTR 模型与稠密的 LLM 模型进行联合推理。稀疏模型擅长处理高维度的稀疏特征，具有计算效率高的优势；而稠密模型能够捕获复杂的非线性特征和深层次的语义信息。通过融合两者的优势，构建一个兼具高效性和精确性的推荐系统。