2 相关工作
传统推荐系统主要分为内容推荐、协同过滤和混合推荐三种方法。随着大数据和人工智能技术的发展，深度学习、图神经网络等技术的应用使得推荐系统在数据特征提取、用户-物品交互捕捉和异构数据整合方面取得了显著进步。然而，传统的基于人工智能的推荐系统主要关注挖掘现有数据，如特征提取和丰富数据类型，而忽略了其他重要的推荐目标。
生成式推荐系统近年来发展迅速，其中生成对抗网络（GANs）、扩散模型、变分自编码器（VAEs）和大型语言模型（LLMs）是常用的生成技术。这些技术在数据合成、表示学习和内容生成方面表现出色，为推荐系统带来了新的可能性。
多目标推荐系统（MORS）通过同时优化多个目标（如多样性、意外性、公平性和安全性）来克服传统单目标模型的局限性。与仅关注准确性的传统方法相比，MORS能够提供更全面、更细致的推荐结果，更好地平衡不同质量指标，满足用户和系统利益相关者的复杂需求。
3 生成技术
生成对抗网络（GANs）通过对抗训练学习数据分布，生成与真实数据相似的样本。GANs在推荐系统中主要应用于解决数据稀疏和冷启动问题，并通过与其他生成技术的结合提升推荐性能。
扩散模型通过正向过程引入噪声模拟信息扩散，反向过程逐步去除噪声恢复原始信息。在推荐系统中，扩散模型可用于数据增强、表示增强、直接用户偏好估计和个性化内容生成。
变分自编码器（VAEs）是一种基于概率框架的生成模型，通过编码器将输入数据映射到潜在变量分布，解码器从潜在变量重建输入数据。VAEs在协同过滤技术中应用广泛，并可通过与GANs结合提升推荐性能。
大型语言模型（LLMs）基于Transformer架构，具有大量参数，通过自监督或半监督学习技术在海量数据上进行训练。LLMs在推荐系统中能够有效捕捉上下文信息，理解文本数据，并通过预训练、微调和提示工程等技术提升推荐性能。
4 生成式多目标推荐系统
多样性是推荐系统的重要目标，旨在打破信息茧房效应，为用户提供更多样化的推荐内容。生成式推荐系统通过LLMs和GANs等技术实现多样性推荐，但同时也面临着准确性和多样性之间的权衡问题。
意外性是指推荐结果对用户而言具有新颖性和惊喜感。生成式推荐系统通过LLMs和GANs等技术实现意外性推荐，但意外性本身具有主观性，难以量化和评估。
公平性是指推荐系统对所有用户群体公平，避免因数据或算法中的偏差而对特定群体产生不利影响。生成式推荐系统通过LLMs和GANs等技术实现公平性推荐，但公平性评估和优化仍面临挑战。
安全性是指推荐系统能够防御恶意攻击，保护用户数据隐私，并维护推荐结果的可信度。生成式推荐系统通过LLMs和GANs等技术提升系统安全性，但同时也面临着新的安全挑战。
5 数据集
通用推荐数据集如MovieLens、Amazon和Yelp等，包含丰富的用户-物品交互数据、用户人口统计信息和物品元数据，是评估推荐算法的重要基准。
意外性推荐数据集如Serendipity 2018和SerenLens等，包含用户对推荐结果的主观评价，是评估意外性推荐算法的重要基准。
公平性推荐数据集如German Credit、Netflix和Million Song Dataset等，包含用户敏感属性，是评估公平性推荐算法的重要基准。
安全性推荐数据集如Reddit、RealToxicityPrompts、TruthfulQA和FACTOR等，包含用户行为数据、文本内容和真实信息，是评估安全性推荐算法的重要基准。
6 挑战和机遇
生成式MORS面临着定义和评估标准不统一、数据限制、生成技术挑战、多目标优化复杂性、可解释性和可控性不足、安全和隐私问题以及伦理和用户体验问题等挑战。未来研究方向包括建立标准化的定义和评估框架、开发多目标优化方法、探索新的生成技术、优化LLMs推理效率、提升可解释性和可控性、增强安全和隐私以及开展跨学科合作等。
