LLM4Rec：当推荐系统遇到大模型 - 飞书文档
https://docs.feishu.cn/article/wiki/DMqOwfhbIi2kUlkxu0RcVaYjn2F候选打分：一种方式是user/item 特征过LLM 后再过一层网络得到最终score；另一种是直接将LLM 训练为输出最终score 的模型； · 候选生成：直接生成排序好的列表（非常考验LLM 的 ...
飞搜侠
热门搜索
大模型能否精准捕捉语言特征？ - 飞书文档
https://docs.feishu.cn/v/wiki/T9XfwGQ7BirdtDkLIVoczF56np2/a4使用更复杂的大模型可以提高文本改写的质量和效果。随着模型大小的增加，其表示能力也随之增强，能够捕捉更细微的语言特征和语义信息。这意味着大型模型在理解和生成文本时 ...
LLM4Rec：当推荐系统遇到大模型
https://f0jb1v8xcai.feishu.cn/wiki/DMqOwfhbIi2kUlkxu0RcVaYjn2F用大模型做特征工程：利用LLM 的外部通用知识和逻辑推理能力，主要是利用大模型的In-Context Learning 能力。. 可以是将原始的输入信息生成额外的辅助信息（对item 或 ...
排序模型中如何利用LLM特征？ - 飞书文档
https://docs.feishu.cn/v/wiki/YYqywFhxUiKpPfkk49DcMKXnnId/ae方法其实和上次介绍的小红书的NoteLLM（ **NoteLLM: 大语言模型在小红书推荐系统的落地应用**）有点类似的地方，都是想用大模型作为特征提取器来提取item文本中的语义信息来 ...
大语言模型中Embedding的生成方法，你了解几种？ - 飞书文档
https://docs.feishu.cn/v/wiki/CPXbwf1wHiCLPfkrrHbcU7QKnEb/ag自从2010年左右以来，随着深度学习技术的发展，embedding技术得到了广泛的应用和研究。在这个时期，出现了一些重要的嵌入算法，例如Word2Vec、GloVe和FastText等。这些算法可以 ...
大模型中Encoder 怎样进行特征提取 - 飞书文档
https://docs.feishu.cn/v/wiki/NyhcwLDsLiWJnZki6ZEcxbV8n0e/ad问：大模型中的Encoder 是什么？ · 1. 词嵌入（Word Embedding） · 2. 位置编码（Positional Encoding） · 3. 注意力机制（Attention Mechanism） · 4. 层叠编码（Layer Stacking） · 5.
多模态大模型预训练中如何进行数据的特征对齐？ - 飞书文档
https://docs.feishu.cn/v/wiki/EC2RwRpMZiFQfBk0l2kcl8VPnsg/ab粗粒度数据集具有大规模、简短嘈杂的特点，而细粒度数据通过使用高级MLLMs生成，虽然成本较高，但提供了更准确的图文对齐，ShareGPT4V项目展示了一种平衡成本和数据量的策略。
大模型与推荐系统融合的核心问题 - 飞书文档
https://docs.feishu.cn/v/wiki/WowdwdpR2iKhL6k6GPqcuEE4nHf/a5特征表示学习：大模型可以通过深度学习等技术来学习更复杂、更有效的特征表示。传统的推荐系统可能会使用手工设计的特征，而大模型可以自动地从海量数据中学习到更丰富的特征 ...
大语言模型能否增强推荐系统的语义理解？ - 飞书文档
https://docs.feishu.cn/v/wiki/WejVwP7L1iYrlUkEWZHczTvnnkb/af一类是将大语言模型作为推荐系统的编码器，对物品描述、用户评论等文本信息进行编码，增强用户和物品的表征，但并未生成新信息，仅是对推荐域内知识的编码。另一类则是直接将 ...
AIGC 研究：知识图谱与大模型 - 飞书文档
https://docs.feishu.cn/article/wiki/R5DHwJhyxitF24kE24hcTRvmnXg在传统符号Al 中，知识表示的逻辑结构水平越高，推理能力越强，但知识获取代价越大。现代大模型技术印证了获取的知识要达到一定规模，推理能力才能涌现。知识图谱是通过简化 ...