小红书推荐系统重排环节如何保证内容多样性？ - 飞书文档
https://docs.feishu.cn/v/wiki/C6YIwwW8HinzcBkY4n7ckcQknEd/a82、推荐系统的链路 · 粗排：用到规模比较小的模型 · 精排：用到大规模深度神经网络，对items 进行打分 · 召回通道：协同过滤、双塔模型、关注的作者、等等 · 小红书有几十个召回 ...
飞搜侠
热门搜索
推荐几个不错的CUDA入门教程（非广告） - 飞书文档
https://docs.feishu.cn/article/wiki/ZP8jwgVsQiWYUbkPl1nc5htnnwd资料： 推荐几个不错的CUDA入门教程（非广告） CUDA 工具包文档12.1 (nvidia.com)
AI集合平台的宝藏功能：你知道几个？ - 飞书文档
https://docs.feishu.cn/v/wiki/AwwawnXXGi9nILkzPVSc6ogAnNf/a6Poe poe.com （需施展魔法） 推荐指数： 目前颇受欢迎的国际主流大模型最佳聚合平台由Quora（海外问答平台，类似国内知乎）开发，有APP 版本，支持跨端使用。
LLM在快手推荐的对比学习 - 飞书文档
https://docs.feishu.cn/v/wiki/YYqywFhxUiKpPfkk49DcMKXnnId/a7现有的用LLM来做推荐的大多是通过构建prompt将推荐的数据文本化作为LLM的输入，然后通过生成式的方式来推荐物品，但受限于计算性能以及LLM的输入长度，所以也只能在几个玩具 ...
推荐指数算法揭秘｜筛选高价值的专栏 - 飞书文档
https://docs.feishu.cn/article/wiki/OWtLwOipmiLmuckId5Wca9aVn4y但是，小报童上的专栏有上千个，同一个主题下的专栏有几十甚至上百个，面对这么多专栏的选择。 我们如何更高效的找到自己感兴趣的专栏？ 我们如何更高效的过滤内容不匹配价值的 ...
粗排与精排- 推荐系统中的召回 - 飞书文档
https://docs.feishu.cn/v/wiki/Z5mpwGIEiiKe0rkQPfJcmztGnFb/a3以小红书为例的推荐系统的转化流程 · 而从推荐系统的角度则会考虑一些北极星指标，也就是优化目标 · 通常一个比较完善的推荐系统包含召回、粗排、精排、重排几个环节 · 召回 ...
公众号推荐入口大揭秘 - 飞书文档
https://docs.feishu.cn/v/wiki/VzPUwL0T0ijU2lkHJqdcp0qxnRg/a4先说说，那些入口的会对文章的有较大的权重影响。下面具体到公众号我们看到有几个途径推荐： ... 文章底部的推荐，你可能喜欢的文章， 这里的推荐可以看出来是基于社交的推荐+ ...
LLM用于推荐系统时，如何克服推荐对数据集的高度依赖？
https://docs.feishu.cn/v/wiki/F656w0Ru7iF2UfkrCAMcEBnhnof/ac一、风云际会：推荐系统遇上LLM 在笔者之前的专栏中推荐系统及计算广告www.zhihu.com/column/c_1611400569750257665 介绍了推荐 ... LLM 有几个问题，例如幻觉(hallucinations) ...
LLM4Rec：当推荐系统遇到大模型 - 飞书文档
https://docs.feishu.cn/article/wiki/DMqOwfhbIi2kUlkxu0RcVaYjn2F一般推荐系统都包括以下几个关键流程：. 数据采集：推荐系统展示结果给用户后 ... 几个结论：. 使用的LLM encoder 参数越大，效果越好；. 和上文一样，即使175B 参数 ...
推荐系统如何选择合适的算法？ - 飞书文档
https://docs.feishu.cn/v/wiki/WowdwdpR2iKhL6k6GPqcuEE4nHf/aa大模型与推荐系统融合的难点主要集中在数据处理环节，包括以下几个方面：. 训练 ... 计算资源：推荐系统需要多少计算资源进行推理。 推荐效果：推荐系统需要达到 ...