生成式人工智能时代的多目标推荐：最新进展与未来展望综述

摘要——随着生成式人工智能（Generative AI）的快速发展，尤其是大语言模型的不断突破，推荐系统正朝着更具通用性的方向演进。与传统方法不同，生成式人工智能不仅能够从复杂数据中学习模式和表示，还具备内容生成、数据合成和个性化体验等能力。这种生成能力在推荐系统中发挥着关键作用，能够缓解数据稀疏问题，并提升系统的整体性能。当前，基于生成式 AI 的推荐系统研究已取得了丰富成果。与此同时，推荐系统的目标也已超越单一的准确性要求，催生了大量面向多目标优化的研究，试图在推荐中综合考虑多种目标。然而，据我们所知，目前尚缺乏基于生成式 AI 技术的多目标推荐系统的系统性综述研究，相关文献仍存在明显空白。为填补这一研究空缺，本文对融合生成式 AI 的多目标推荐系统研究进行了系统梳理，按照优化目标对现有工作进行分类整理。同时，我们总结了相关的评估指标和常用数据集，并进一步分析了该领域面临的挑战与未来发展方向。 关键词——多目标优化，推荐系统，生成式人工智能，大语言模型

1 引言 在大数据时代，推荐系统已成为应对信息过载问题的关键工具，帮助用户高效地发现有价值的内容。它们被广泛应用于音乐、新闻、职位推荐等多个领域 [1]–[3]，通过过滤海量信息流，显著提升用户体验。推荐系统的发展已历经数十年，从最初的协同过滤方法 [4]–[7] 和内容推荐方法 [8], [9]，到后来的混合模型 [10]、基于图神经网络的方法 [11]，以及深度学习方法 [12], [13]，不断演进以满足日益增长的个性化和可扩展性需求。

近年来，生成式人工智能（Generative AI）的突破显著改变了推荐系统的格局。正如文献 [14] 所指出的，基于生成技术的推荐系统已成为该领域的新兴研究方向。生成对抗网络（GANs）[15]、变分自编码器（VAEs）[16]、扩散模型 [17] 和大语言模型（LLMs）[18] 等技术，使得推荐系统能够更丰富地进行数据合成并实现更深层次的上下文理解。其中，大语言模型在处理多模态数据（文本、图像、视频）和生成上下文感知的推荐内容方面展现出强大能力，带来了前所未有的灵活性。与传统模型依赖历史数据预测用户偏好不同，生成模型可以模拟用户交互、增强稀疏数据集，并生成个性化内容，从而为推荐范式的创新开辟了新路径。

生成模型在推荐系统领域展现出巨大潜力。目前的研究主要集中在单一目标任务，例如通过合成数据提升准确性，或利用大语言模型增强可解释性。然而，对准确性的过度关注可能导致“过滤泡沫”（filter bubble）现象 [19]，使用户被限制在重复或同质化的内容中，抑制探索行为并削弱长期参与度。考虑到生成式人工智能在推理和理解方面的先进能力，其在多目标推荐中的应用也极具前景。 研究社区已广泛探索在传统推荐系统框架下平衡多种目标的多目标推荐系统（MORS）[20]–[23]，但在融合生成式 AI 技术方面，相关研究仍属稀缺。因此，将多目标优化整合进生成式推荐系统，是一个亟待深入研究的方向。

为填补这一空白，本文系统调研了使用生成技术实现多目标推荐的现有研究。我们特别强调，任何关于推荐系统附加目标（如多样性、偶然性或公平性）的讨论，都隐含地将准确性作为基础性前提。因此，我们将多目标推荐系统（MORS）定义为：优化准确性之外其他目标的推荐系统。 本综述识别出当前生成式推荐系统中除准确性外的主要目标包括：多样性、偶然性、公平性与安全性；此外还涉及新颖性、可控性、效率与鲁棒性等附加目标。我们聚焦于推荐系统中广泛应用的四类生成技术：GANs、扩散模型、VAEs 与大语言模型。针对每一类目标，我们深入回顾了主流的模型架构与评估指标，并总结相关发展挑战，旨在为未来的多目标生成式推荐研究提供基础性见解。

本文的主要贡献如下：

本文为首个将生成式人工智能（包括 GANs、VAEs、扩散模型和大语言模型）与多目标推荐系统（MORS）结合的全面综述，提出了一个面向目标的分类框架，系统回顾了四类关键目标（多样性、偶然性、公平性、安全性）下模型架构、优化策略和评估指标的发展与局限性。 * 我们系统总结了不同目标领域（如公平性与偶然性）下的专用评估指标与对应基准数据集，为实验设计提供标准化参考。 * 我们还讨论了生成式 MORS 研究中的核心挑战，并展望了未来的发展方向，包括改进评估指标、设计适用于 LLM 的高级策略、融合多种生成技术以提升推荐质量等。此外，我们强调跨学科合作（如伦理学、社会学）的重要性，以构建更加公平透明的推荐系统。这些见解为学术界与工业界的进一步探索与创新奠定了基础。

文章结构概览：

第 2 节综述推荐系统、生成式推荐系统和多目标推荐系统的相关文献，构建研究背景。 第 3 节介绍本文涵盖的四类主要生成技术。 第 4 节作为核心部分，系统梳理基于生成技术的多目标推荐系统，按超越准确性的目标进行分类，介绍相关定义、模型与评估指标。 第 5 节总结各类目标下常用的推荐数据集。 第 6 节探讨每类关键目标面临的主要挑战。 最后在第 7 节对全文进行总结。