LLM4Rec：当推荐系统遇到大模型 - 飞书文档
https://docs.feishu.cn/article/wiki/DMqOwfhbIi2kUlkxu0RcVaYjn2F训练&推理性能： · 生成式推荐范式：Generative Recommendation: Towards Next-generation Recommender Paradigm · 避免大模型偏见： · 大模型安全问题： · 减少大模型幻觉： ...
飞搜侠
热门搜索
LLM-KERec：利用大语言模型打破推荐系统的壁垒 - 飞书文档
https://docs.feishu.cn/article/wiki/YU8JwvK5wioTfekBIAicEQQonKh专家手工互补规则或知识图谱模型虽有助于推荐互补品，但受效率和成本挑战的影响，在快速变化的电商环境下难以持续。因此，在RS中，结合高效的知识和具有人类推理和逻辑的大语言 ...
推荐系统与大模型结合有哪些新趋势？ - 飞书文档
https://docs.feishu.cn/v/wiki/CwvTwOfhwiHIO4kCSTfcDqUonNh/ak文章首先介绍了大模型LLM 在推荐系统中的潜力，并对LLM 与传统推荐系统进行了对比，指出LLM 能够引入外部世界知识，丰富语义信号，提高可解释性，但缺乏协同信号，对冷启动问题 ...
LLM4Rec：当推荐系统遇到大模型
https://f0jb1v8xcai.feishu.cn/wiki/DMqOwfhbIi2kUlkxu0RcVaYjn2F百度和港大合作的工作，用LLM 解决推荐系统的数据稀疏性问题（论文讨论对象是基于图神经网络的推荐系统）。传统普遍做法是引入知识图谱、社交关系等，但在引入信息的 ...
基于LLM的推荐系统：如何看待其不可控性？ - 飞书文档
https://docs.feishu.cn/v/wiki/F656w0Ru7iF2UfkrCAMcEBnhnof/a2介绍了推荐系统发展过程及主流算法，该类方法有些主要特点：模型规模不大、关注用户和商品数据、针对特定任务等。随着LLM 的兴起，以及在多领域多场景的良好表现，也为推荐系统 ...
大语言模型能否有效解决推荐问题？ - 飞书文档
https://docs.feishu.cn/v/wiki/OVHtwXJjeiVDcdkNMSRcfVKVnA6/aa今天分享一篇小红书今年3月的论文，介绍了大语言模型在小红书笔记推荐场景下的落地应用，主要是围绕如何利用LLM的表征能力来生成更适用于i2i召回的文本embedding，思路简单， ...
LLM在快手推荐的对比学习 - 飞书文档
https://docs.feishu.cn/v/wiki/YYqywFhxUiKpPfkk49DcMKXnnId/a7今天继续分享一篇大模型在推荐系统中的落地应用工作，是快手今年5月份发表的论文《Knowledge Adaptation from Large Language Model to Recommendation for Practical ...
大语言模型能否改善推荐系统的冷启动难题？ - 飞书文档
https://docs.feishu.cn/v/wiki/WejVwP7L1iYrlUkEWZHczTvnnkb/ah当前，推荐系统主要基于物品间的关联、用户与物品的交互信号等统计信息进行推荐。然而，在代模型时代，推荐形态将发生变化，已初现端倪。利用大模型的广泛知识和强大逻辑推理 ...
大模型推荐系统有哪些进展和未来方向？ - 飞书文档
https://docs.feishu.cn/v/wiki/LlzmwC1a2i2BhOkAQsFcOpQRnSf/as然而，大模型在推荐系统中也面临挑战，包括如何降低推理延迟和成本、如何评估推荐效果、以及如何处理数据偏见和隐私问题。未来的研究方向将包括开发更高效的模型架构、探索 ...
Meta落地工业界首个万亿级别参数的生成式推荐系统模型 - 飞书文档
https://docs.feishu.cn/v/wiki/WbuuwuGO3iD9Z7kRb0bc3LFvnjg/ag传统的大规模推荐系统基于海量用户行为数据，构造海量**高基数和异构特征**进行深度模型训练。尽管模型规模已经很庞大了，但如果想进一步进行scaling，则非常困难。 受到近期 ...