大模型内容生成与个性化交互团队

团队简介

大模型内容生成与个性化交互团队面向生成式人工智能与智能交互前沿， 围绕大语言模型、推荐系统、文娱内容生成和智能对话等方向开展研究。 团队重点关注大模型驱动的内容理解与生成、个性化用户建模、 生成式推荐、多智能体协同创作和智能交互等关键问题， 探索大模型能力与用户需求、内容生产和交互决策之间的协同机制。

团队坚持基础方法研究与实际应用相结合， 开展大模型高效训练与后训练、模型压缩、长文本建模、 用户兴趣建模、知识增强推荐、复杂内容生成、多智能体系统等研究， 推动相关技术在推荐系统、文娱内容和智能服务等场景中的应用。

研究目标

面向大模型时代内容生产和人机交互方式的变化， 团队致力于研究大模型驱动的内容生成与个性化智能方法， 提升模型对内容、用户和交互环境的理解能力， 构建连接“大模型、内容、用户与交互”的智能内容生成与服务技术体系。 在基础研究的同时，团队注重真实场景中的技术验证， 推动研究成果向实际应用转化。

研究内容

1. 大语言模型

研究大语言模型训练、适配、推理与持续优化方法， 重点关注轻量化微调、大模型后训练、模型压缩、长文本建模、 幻觉检测、模型自进化和训练优化等问题， 提升大模型在复杂内容理解与生成任务中的效率、可靠性和泛化能力。

2. 推荐系统

面向大模型与推荐系统融合的新范式， 研究个性化用户建模、生成式推荐、知识蒸馏、 图表示学习、LLM增强推荐及可解释推荐等方法， 探索大模型在用户兴趣理解、内容表示和推荐决策中的应用。

3. 文娱内容生成

面向小说、剧本、漫画等复杂文娱内容， 研究长文本生成、可控内容生成、多智能体协同创作、 内容理解与生成评价等方法， 探索大语言模型在复杂叙事内容自动生成与辅助创作中的应用。

4. 智能对话与个性化交互

研究面向用户长期需求的智能交互技术， 重点关注多模态理解、个性化用户建模、长期记忆、 对话智能体、自主决策和智能服务等方向， 提升智能系统持续理解用户并进行个性化交互的能力。

关键技术

团队围绕大模型内容生成与个性化交互研究， 重点开展轻量化微调、大语言模型后训练、大模型压缩、 图神经网络、强化学习与训练优化等关键技术研究， 并将相关方法应用于大模型、推荐系统、文娱内容生成和智能交互等任务。

代表性论文

• Beyond Semantic Understanding: Preserving Collaborative Frequency Components in LLM-based Recommendation, SIGKDD, 2026

• Rejuvenating Cross-Entropy Loss in Knowledge Distillation for Recommender Systems, ICLR, 2026

• A Survey of Inductive Reasoning for Large Language Models, ACL, 2026

• Disentangling Representations from Search Behaviors for Recommendation via Counterfactual Learning, ACM TOIS, 2026

• CASG: Drive Text to IDs for Sequential Recommendation via Collaboration-Aware Spectral Guidance, EMNLP, 2026

科研项目

• 面向深度学习推荐模型的有效知识蒸馏方法研究，国家自然科学基金面上项目，2026-2029

• 蒸馏学习在广告推荐场景的应用，腾讯科技（深圳）有限公司，2026-2027

• 大模型与推荐模型的深度结合，腾讯科技（深圳）有限公司，2026-2027

• 基于LLM大模型实现小说到剧本商业化改编策略生成优化，爱奇艺，2025-2026

合作单位

腾讯： 围绕大模型与推荐模型深度结合开展合作研究， 探索蒸馏学习等技术在广告推荐等实际场景中的应用。

爱奇艺： 围绕大语言模型驱动的文娱内容理解与生成开展合作， 探索小说、剧本等内容的智能生成与商业化改编技术。