课题简介
近年来，大模型作为人工智能发展的重要基石，正在深刻重塑各类智能系统的研发范式。凭借其在大规模数据预训练中所学习到的通用知识表达能力，大模型展现出强大的迁移泛化能力，能够以少样本甚至零样本的方式适配多种下游任务。随着技术的持续演进，大模型不仅在自然语言处理、计算机视觉、语音理解等传统领域表现出色，还逐步拓展至科学计算、代码生成、金融建模等新兴场景，成为推动通用人工智能迈进的重要引擎。
推荐系统是一种通过分析用户行为、兴趣爱好以及历史数据，自动为用户提供个性化信息或商品的智能系统。它广泛应用于电商平台、在线视频网站、社交媒体等领域，帮助用户在海量信息中快速找到感兴趣的内容，同时也提升了平台的用户体验与商业价值。其优势在于：推荐系统作为应用价值非常强的方向，在学术界和工业界都被广泛研究，具有较高的实用性，而且目前该方向依旧是数据挖掘领域中的研究热点，无论是计算机科学研究者，还是非计算机相关的从业者，都能在这一领域找到适合自身背景的研究切入点。
本课程聚焦于大模型在推荐系统中的应用以及生成式推荐系统这两个目前推荐系统的研究热点，主要包括基于大模型的推荐系统特征增强、大模型赋能的生成式推荐系统及其涉及的不同数据、场景的应用研究。
导师介绍
【学校/研究方向】国内985计算机科学与技术专业博士，研究方向为推荐系统、多模态学习. Google Scholar引用数累计1500+。发表的一作论文被国际专家广泛认可，获得多篇Oral论文。
【科研论文/审稿人】 在计算机视觉和人工智能国际会议/期刊发表顶会顶刊论文近30篇（其中一作7篇），包括CVPR/NeurIPS/ACM MM/ICML/AAAI以及TKDE/TNNLS。并担任TKDE/TNNLS/TMM/TCSVT,CVPR/ICCV/ECCV，ICML/NeurIPS/ICLR, WWW/KDD/CIKM等审稿人。
可选创新点
（1）基于大语言模型的推荐系统鲁棒性研究
（2）大语言模型赋能的生成式推荐探究
（3）基于大语言模型的推荐系统中用户行为建模
（4）大语言模型在推荐系统数据及特征层面的应用
课程亮点
1.聚焦大模型+推荐系统的最新融合趋势
(1)本课程紧跟大语言模型与推荐系统深度融合的技术演进，系统性梳理大模型在推荐中的应用模式，如大模型赋能推荐、生成式推荐等。
(2)课程紧贴顶会研究热点，对接ICML、NeurIPS、ICLR、KDD等会议投稿趋势，引导学员聚焦尚未充分解决的问题，明确创新发力点。
2.分方向配套Baseline与实验Pipeline，助力推荐实验快速落地
(1)构建模块化推荐实验Pipeline：提供可插拔的模块组件，支持灵活组合与替换，实现快速迭代与结构创新。
(2)强调可复现性与评估指标体系建设：根据推荐任务特点，讲解多样化的性能指标（如NDCG、MRR、HitRate），配合评估脚本，保障实验结果的可重复、可解释与可扩展。
3.论文产出导向明确，贯穿Idea提炼到写作发表全过程
(1)问题驱动的选题设计，紧贴前沿趋势与实际需求：课程围绕大模型在推荐系统中的典型应用场景，引导学员从真实痛点出发，结合文献提炼具有研究潜力与发表价值的选题方向。
(2)系统化拆解推荐论文的核心构成要素：系统讲解摘要撰写、方法架构描述、实验方案制定及结果可视化等内容，帮助学员掌握面向大模型推荐研究的完整论文写作流程。
(3)解构顶会范式，挖掘创新空间与复用思路：精选WWW、ICLR、KDD、RecSys等会议的代表性大模型推荐论文，深度解析其“技术+故事”构建方式，指导学员快速对标，构建自己的论文逻辑链条和技术亮点。
4.全过程辅导与协同共创机制，保障生成式推荐研究高效产出
(1)匹配不同学员研究不同阶段需求：针对学员所选的推荐子任务，提供个性化辅导与实验调优建议，确保每位同学能够落地完整的系统原型或技术验证。
(2)建立多维度高效协作机制：定期组织代码复现、论文共读与idea迭代，鼓励跨领域思维碰撞，提升对推荐任务的整体理解与表达能力。
持续支持，从创意构思到实验打磨再到投稿准备：课程提供从开题meeting 到投稿前mock review的全过程支持，帮助学员逐步完善研究框架，构建强逻辑、有亮点的论文内容，最大化提升投稿质量与中稿概率。