推荐是 Netflix 体验中最重要的部分之一。最初的 Netflix 推荐引擎建立在 数千 个手工制作的用户、物品和交互特征之上。尽管多年来这个堆栈发生了很多变化，但它仍然相当复杂。引入新用例的成本很高。
大型语言模型（LLM）在向用户推荐内容的能力方面取得了巨大进步。由于具有更广泛的世界知识和语言理解能力，LLM 能够很好地找出不同事物之间的关系。然而，你不能直接拿一个现成的 LLM 来为像 Netflix 这样的公司生成推荐。这就是为什么 Netflix 工程团队构建了 Gen Rec。
Gen Rec 的基本思想是使用 LLM 更好地理解用户的观看历史，从而为 Netflix 上播放的各种电影和电视节目分配评分。Netflix 必须对基础模型进行一系列调整，使其适用于他们的内容和会员行为。
推荐系统必须回答一个基本问题：推荐列表中应该首先出现什么？推荐的排序由一个称为排序器的组件处理。它根据特定用户在特定情况下的适合程度为各种物品分配评分。物品的评分越高，它出现的位置就越靠前。
来源: ByteByteGo · 由HeadlinesBriefing整理摘要