大语言模型（LLM）正在重新定义推荐系统的边界，显著提升效果同时避免在线推理延时，推动产业实践与理论研究双向突破：
• 定义新颖：LLM增强推荐系统（LLMERS）通过辅助训练或数据增强提升传统推荐，无需服务时调用LLM推理，兼顾性能与效率。
• 三大核心路径：知识增强（Knowledge Enhancement）、交互增强（Interaction Enhancement）、模型增强（Model Enhancement），覆盖从知识图谱到序列推荐的全链路创新。
• 知识增强聚焦利用LLM理解和推理能力丰富内容与用户画像，提升推荐的语义深度与解释能力。
• 交互增强通过模拟用户行为、冷启动数据扩充等手段，实现推荐系统与LLM的高效协同。
• 模型增强则探索LLM在嵌入表示、模型初始化、蒸馏等层面的深度融合，兼顾推荐精度与推理成本。
• 最新进展涵盖WSDM、RecSys、AAAI、SIGIR等顶会，囊括70+前沿论文和开源代码，推动学术和工业界协同发展。
• 体系化整理国内外权威综述与调研，形成对LLM与推荐系统融合趋势的长远视角，助力研究者和工程师把握未来方向。
推荐系统升级路径不再局限于传统方法，智慧地融合大语言模型带来的推理与知识能力，是破解大规模个性化推荐难题的关键。深入了解与实践，请访问🔗 github.com/liuqidong07/Awesome-LLM-Enhanced-Recommender-Systems
推荐系统 大语言模型 机器学习 人工智能 数据增强 知识图谱
