Netflix 居然想用大模型直接干掉那套写了好多年的推荐算法逻辑

靠几千个手工特征工程去堆推荐算法的时代可能真的要到头了。Netflix 最近搞了个挺硬核的实验，把他们用了好几年的那套基于人工规则和特征工程的推荐引擎，直接跟一个叫 GenRec 的内部语言模型对线，结果 GenRec 居然赢了。

以前这种流媒体巨头的推荐逻辑是怎么玩的？本质上是极其复杂的数学建模。工程师们会去定义成千上万个维度，比如你看了什么类型、看了多久、在什么时间点看、进度条有没有跳跃，然后把这些特征喂给模型。这套逻辑虽然稳，但太依赖人工去定义“什么是好特征”了。

GenRec 的思路完全变了，它不玩特征工程那一套，而是把用户的观看行为直接“翻译”成自然语言。

• 核心逻辑： 把用户的历史行为（比如“用户在周五晚上连续看了三集悬疑剧，且在第二集结尾没有退出”）转化成一段纯文本描述。
• 处理方式： 把这段文本作为 Context 喂给大模型，让模型通过理解语义来预测用户下一步想看什么。
• 实战结果： 这种从“特征工程”到“语义理解”的转变，让模型不再受限于人工定义的维度，而是能捕捉到更细微的行为模式。

虽然 Netflix 自己也谦虚地称之为“早期且充满希望的一步”，但这个思路非常值得我们这帮搞 AI 应用的人深思。现在的推荐系统大多还在做特征匹配，而 GenRec 实际上是在做行为语义化。如果以后所有的大模型都能把长期的用户行为序列转化成高质量的文本 Prompt，那现有的推荐算法架构可能真的要面临重构了。

这种做法的难点估计在于长序列文本的处理成本，毕竟用户的观看历史可能长得惊人，如何压缩这些行为轨迹而不丢失关键信息，才是决定 GenRec 能不能大规模落地的关键。