ConnectionMind：利用社交网络和 大语言模型 在 Meta 上进行个性化推荐

Meta 等社交媒体平台上的现代推荐系统必须模拟复杂的社会关系，包括友谊、群组成员身份和创作者互动，以及文本和视频等海量异构内容。然而，传统的推荐模型经常忽略这些信号或单独对待它们，缺乏整合多关系上下文以实现细粒度个性化的推理能力。我们推出了 ConnectionMind，这是一个可用于生产的推荐框架，它将社交网络结构与 大语言模型 (LLM) 紧密集成，以在 Meta 中实现可扩展、可解释和推理感知的个性化。 ConnectionMind 构建了一个连接用户、项目、朋友、群组和创建者页面的异构图，并将推荐制定为图推理问题：发现从用户到候选项目的个性化路径。采用基于 LLM 的策略来推理这些图结构并指导推荐决策。为了大规模训练系统，ConnectionMind 采用了两阶段学习策略。我们首先在大规模用户-项目交互轨迹上执行有监督的 微调 (SFT) 以初始化推理策略，然后通过端到端强化学习 (RL) 来完善模型对社交图进行推理以进行个性化推荐的能力。对多个真实世界数据集的大量实验证明了 ConnectionMind 与代表性基线相比的有效性。更重要的是，ConnectionMind已经部署在Meta的大规模推荐管道中，并通过在线A/B测试进行评估，实现了视频观看时间0.43%的提升。这些结果证明了生产推荐系统在现实世界中的可衡量的影响。