生成以探索，选择以利用：将基于 LLM 的标题生成与个性化推荐相结合

在行业推荐源中，呈现项目的静态标题通常无法满足用户群多样化、多模式的兴趣，特别是抑制长尾受众的需求。虽然大型语言模型 (LLM) 已被集成到内容理解或排名的推荐中，但直接优化它们以输出单个最佳标题通常会导致模式崩溃——收敛到满足平均品味但错过特定潜在意图的通用模式。为了弥补这一差距，我们引入了 GESE（生成探索，选择利用），这是一个在系统表示层运行的框架，可将个性化解耦为生成探索和选择性利用。首先，我们将 LLM 视为概率探索器，利用具有分层奖励机制的组序列策略优化（GSPO）来生成最大化潜在用户兴趣的语义覆盖的候选集。随后，一个轻量级、实时反馈感知的选择器充当开发者，根据即时上下文信号从候选池中识别最佳实现。在日活跃用户超过 1 亿的商业平台上的广泛部署表明，GESE 的性能显着优于最先进的基线，点击率提高了 2.57%，停留时间提高了 0.87%。这些结果证明，将面向多样性的生成与面向精确的选择脱钩，为将生成式人工智能与动态用户效用结合起来提供了稳健的蓝图。