大型语言模型（LLMs）为开发前沿的推荐系统提供了巨大潜力，尤其是在提升交互性、可解释性和可控性方面。这些正是传统推荐系统长期以来面临的挑战。然而，由于缺乏特定领域的知识，直接将通用大型语言模型应用于推荐任务并不现实。

RecAI项目旨在通过探索多种策略，将大型语言模型融入推荐系统中，这一概念通常被称为LLM4Rec。我们的目标是通过整体性的视角和方法论，反映LLM4Rec在实际应用中的需求。

我们相信，通过采用整体性视角，可以将LLM4Rec的大多数实际需求整合到RecAI项目所探讨的若干技术中。这些技术包括但不限于：推荐AI智能体、通过个性化提示注入知识、将语言模型微调为推荐器、模型评估以及利用大型语言模型进行模型解释等。最终目标是构建更加 sophisticated、交互性强且以用户为中心的推荐系统。

许可证

RecAI采用MIT许可证。

贡献

本项目欢迎贡献和建议。大多数贡献都需要您同意贡献者许可协议（CLA），声明您有权且确实将您的贡献使用权授予我们。有关详细信息，请访问 https://cla.opensource.microsoft.com。

当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记 PR（例如状态检查、评论）。请按照机器人提供的指示操作即可。对于使用我们 CLA 的所有仓库，您只需执行一次此操作。

本项目已采用 微软开源行为准则。更多信息请参阅 行为准则常见问题解答 或发送邮件至 opencode@microsoft.com 咨询更多问题或意见。

商标

本项目可能包含与项目、产品或服务相关的商标或标识。对微软商标或标识的授权使用须遵守并严格执行 微软商标与品牌指南。在本项目的修改版本中使用微软商标或标识时，不得造成混淆或暗示微软的赞助关系。任何第三方商标或标识的使用均应遵循该第三方的相关政策。

致谢

感谢以下开源项目提供的代码：

UniRec   VisualChatGPT   JARVIS   LangChain   guidance   FlagEmbedding  

负责任的人工智能常见问题解答

有关 RecAI 系统的目的、功能及局限性的文档，请参阅 RecAI：负责任的人工智能常见问题解答。

引用

如果本项目对您的研究有所帮助，请引用我们的以下论文：

RecAI 概述：

@inproceedings{10.1145/3589335.3651242,
    author = {Lian, Jianxun and Lei, Yuxuan and Huang, Xu and Yao, Jing and Xu, Wei and Xie, Xing},
    title = {RecAI: 利用大型语言模型构建下一代推荐系统},
    year = {2024},
    isbn = {9798400701726},
    publisher = {计算机协会 ACM},
    address = {纽约，美国},
    url = {https://doi.org/10.1145/3589335.3651242},
    doi = {10.1145/3589335.3651242},
    booktitle = {ACM 网络大会 2024 年配套论文集},
    pages = {1031–1034},
    numpages = {4},
    keywords = {大型语言模型，推荐系统},
    location = {新加坡，新加坡},
    series = {WWW '24}
}

以及子文件夹中的对应论文：

InteRecAgent：

@article{10.1145/3731446,
    author = {Huang, Xu and Lian, Jianxun and Lei, Yuxuan and Yao, Jing and Lian, Defu and Xie, Xing},
    title = {推荐人工智能代理：整合大型语言模型实现交互式推荐},
    year = {2025},
    publisher = {计算机协会 ACM},
    address = {纽约，美国},
    issn = {1046-8188},
    url = {https://doi.org/10.1145/3731446},
    doi = {10.1145/3731446},
    note = {刚刚被接受},
    journal = {ACM 信息系统汇刊},
    month = apr,
    keywords = {对话式推荐，大型语言模型，交互式代理}
}

Knowledge_Plugin：

@misc{yao2023knowledgepluginsenhancinglarge,
      title={知识插件：增强大型语言模型以实现领域特定推荐}, 
      author={Jing Yao 和 Wei Xu 以及 Jianxun Lian、Xiting Wang、Xiaoyuan Yi 和 Xing Xie},
      year={2023},
      eprint={2311.10779},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2311.10779}, 
}

RecExplainer：

@inproceedings{10.1145/3637528.3671802,
    author = {Lei, Yuxuan 和 Lian, Jianxun 以及 Yao, Jing、Huang, Xu、Lian, Defu 和 Xie, Xing},
    title = {RecExplainer：对齐大型语言模型以解释推荐模型},
    year = {2024},
    isbn = {9798400704901},
    publisher = {计算机协会 ACM},
    address = {纽约，美国},
    url = {https://doi.org/10.1145/3637528.3671802},
    doi = {10.1145/3637528.3671802},
    booktitle = {第 30 届 ACM SIGKDD 知识发现与数据挖掘会议论文集},
    pages = {1530–1541},
    numpages = {12},
    keywords = {大型语言模型，模型可解释性，推荐系统},
    location = {巴塞罗那，西班牙},
    series = {KDD '24}
}

RecLM-uni：

@misc{liao2026eliminatingoutofdomainrecommendationsllmbased,
      title={消除基于大型语言模型的推荐系统中的域外推荐：统一视角}, 
      author={Hao Liao 和 Jiwei Zhang 以及 Jianxun Lian、Wensheng Lu、Mingqi Wu、Shuo Wang、Yong Zhang、Yitian Huang、Mingyang Zhou 和 Rui Mao},
      year={2026},
      eprint={2505.03336},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2505.03336}, 
}

RecLM-emb：

@inproceedings{10.1145/3589335.3651468,
    author = {Lei, Yuxuan 和 Lian, Jianxun 以及 Yao, Jing、Wu, Mingqi、Lian, Defu 和 Xie, Xing},
    title = {对齐语言模型以实现多功能文本驱动的商品检索},
    year = {2024},
    isbn = {9798400701726},
    publisher = {计算机协会 ACM},
    address = {纽约，美国},
    url = {https://doi.org/10.1145/3589335.3651468},
    doi = {10.1145/3589335.3651468},
    booktitle = {ACM 网络大会 2024 年配套论文集},
    pages = {935–938},
    numpages = {4},
    keywords = {商品检索，搜索与推荐，文本嵌入},
    location = {新加坡，新加坡},
    series = {WWW '24}
}

RecLM-gen：

@inproceedings{lu-etal-2024-aligning,
    title = "对齐大型语言模型以实现可控推荐",
    author = "Lu, Wensheng 与 Lian, Jianxun 以及 Zhang, Wei、Li, Guanghua、Zhou, Mingyang、Liao, Hao 和 Xie, Xing",
    editor = "Ku, Lun-Wei 与 Martins, Andre 以及 Srikumar, Vivek",
    booktitle = "第 62 届计算语言学协会年会论文集（第一卷：长篇论文）",
    month = aug,
    year = "2024",
    address = "曼谷，泰国",
    publisher = "计算语言学协会",
    url = "https://aclanthology.org/2024.acl-long.443/",
    doi = "10.18653/v1/2024.acl-long.443",
    pages = "8159--8172",
}

RecAI 快速上手指南

RecAI 是一个利用大语言模型（LLM）构建下一代推荐系统的开源项目。它旨在解决通用 LLM 缺乏领域知识的问题，通过智能体、知识注入、微调、评估和可解释性等技术，打造更具交互性、可解释性和可控性的推荐系统。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 20.04+) 或 macOS。Windows 用户建议使用 WSL2。
• Python: 版本 3.8 或更高。
• 包管理工具: pip 或 conda。
• GPU (可选但推荐): 如需进行模型微调或本地部署大模型，建议配备 NVIDIA GPU 并安装对应的 CUDA 驱动。
• API Key: 部分功能（如使用云端 LLM）需要配置 OpenAI API Key 或 Azure OpenAI API Key。

安装步骤

RecAI 包含多个子模块（如 InteRecAgent, Knowledge_Plugin, RecExplainer 等），建议根据需求选择安装特定模块或克隆整个仓库。

1. 克隆仓库

git clone https://github.com/microsoft/RecAI.git
cd RecAI

2. 创建虚拟环境

推荐使用 conda 创建独立的 Python 环境：

conda create -n recaipython=3.9 -y
conda activate recaipy

3. 安装依赖

由于不同子模块的依赖可能略有差异，建议进入具体子模块目录安装，或安装根目录的基础依赖（如果存在 requirements.txt）。

安装全局基础依赖（如有）：

pip install -r requirements.txt

安装特定模块依赖（以 InteRecAgent 为例）：

cd InteRecAgent
pip install -r requirements.txt

提示：国内开发者如遇下载速度慢，可使用清华源加速安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

RecAI 的核心功能分布在不同的子项目中。以下以 InteRecAgent（推荐智能体） 为例，展示如何快速启动一个基于 LLM 的交互式推荐演示。

1. 配置 API Key

在使用前，需设置您的 LLM API 密钥（以 OpenAI 为例）：

export OPENAI_API_KEY="your-sk-xxxxxx"

2. 运行智能体示例

进入 InteRecAgent 目录并运行主脚本。该脚本将加载传统推荐模型作为工具，并由 LLM 作为大脑进行决策和对话。

cd InteRecAgent
python main.py --config ./configs/config.yaml

注：config.yaml 中需指定使用的 LLM 模型名称及传统推荐模型的路径。

3. 交互示例

程序启动后，您将进入命令行交互界面。您可以尝试输入自然语言指令，例如：

User: 我想找一些适合夏天看的科幻电影，不要太长。
Agent: 收到。正在为您筛选评分高、时长适中且属于科幻类型的夏季热门电影... 
       为您推荐：《星际穿越》、《降临》...

其他模块快速入口

• 知识插件 (Knowledge_Plugin): 用于通过 Prompt 注入领域知识，无需微调。

  cd Knowledge_Plugin
  python run_plugin.py --data_path ./data/amazon_books
  

• 模型解释器 (RecExplainer): 利用 LLM 解释黑盒推荐模型的决策原因。

  cd RecExplainer
  python explain_model.py --target_model ./models/sasrec.pt
  

• 评估工具 (RecLM-eval): 对基于 LLM 的推荐系统进行全方位评估。

  cd RecLM-eval
  python evaluate.py --model_api azure_openai --task ranking
  

更多详细参数和高级用法，请参考各子模块目录下的 README.md 文件。