课题详情： 课题背景： 游戏推荐系统主要依赖协同过滤等传统方法，难以精准捕捉用户动态偏好和深层需求。随着平台内容生态日益丰富，传统方法在个性化深度与内容发现能力方面局限性凸显。生成式大模型为推荐系统带来范式变革机遇，有望从"检索匹配"迈向"理解生成"。 课题挑战： 1、用户偏好的生成式建模：需利用大模型对用户游戏偏好进行深层理解与生成式表达，超越传统嵌入表征的局限，捕捉兴趣动态演化 2、推荐的创造性生成：需平衡"创造"与"匹配"，确保推荐内容既个性化又多样化，避免信息茧房 3、冷启动与长尾覆盖：需通过生成式方法缓解新游戏和长尾游戏数据不足的困境，提升覆盖广度。 具体工作： 参与基于大语言模型的生成式推荐方案设计与实现，完成游戏推荐场景下的模型训练、评测与系统原型开发。 课题要求： 学历和专业要求： 来自计算机科学、人工智能、信息检索等相关专业的硕士或博士同学。 技术技能要求： 掌握推荐系统与大语言模型相关算法，熟悉Python/PyTorch，有推荐系统或NLP实践经验者优先。 软性素质要求： 数据敏感度高，具备扎实的实验分析能力和良好的团队协作精神，善于从业务视角理解技术问题。