- 博客(453)
- 收藏
- 关注
RSS订阅原创 心法利器[133] | 为什么我的大模型效果不好
，效果提升的两个核心原因，新的有效信息和更好的信息处理模式，和上述的现象也是非常匹配的。随着业务迭代、信息更新，大模型肯定是需要更新的，对大功能、新功能级别的大更新，我们可以通过微调、调整prompt之类的模式来更新，但是如果是一两条说法，一两个bad case，次数比较频繁，显然微调模型的性价比低，敏捷度也不足，prompt也无法做很细节的雕刻，但是这类似的问题是数据库的优势，通过类似RAG之类的方式能快速解决这个问题，只要这个问题不解决，RAG类似的技术应该都不至于被淘汰。业务问题的边界界定。
2025-05-05 21:01:06
608
原创 前沿重器[62] | 综述解读：大模型在搜索推荐中的应用
搜索和推荐是长期备受关注的焦点领域，在大模型出来后，自然也开始了大量的尝试，而且大模型的尝试也开始突破原有的一些应用范式，原有常见的一些技术架构和思路也在被撼动，最近看到一篇相关的综述论文，重点讲解了最近大模型所催生出的“生成式”范式在推荐和搜索中的应用。有关文档和物料的更新。在进行训练后，给定输入模型总能输出一些文档或者物料的id，然而在实际应用中，文档和物料的更新是极为快速的，未遇到的、新的内容，总很难很快更新到模型里，当然，这也是目前各种以深度学习为基础的模型所有的毛病。对大模型的输入长度。
2025-04-20 21:03:35
728
原创 前沿重器[61] | Agentic RAG综述解读
进一步，有一种神奇的体验，因为阅历和经历的积累，其实已经积累了不少技术，而在后续看到很多新的东西后，发现里面有挺多内容都是之前已经玩过的，而经过新的包装和组合，能够达到更加优秀的结果，尤其是思想上的，例如同样是意图识别，现在仍旧是有必要使用的，思想层面可以理解为“拆分”的分治思想，将场景细分后专门处理，能有效提升各自的效果，这种模式逐步做好能提升整个系统最终的效果。具备任务或角色定义的大模型。翻译：https://zhuanlan.zhihu.com/p/1893616563510288868。
2025-04-13 21:02:14
563
转载 再添近20万字-CS的陋室2024年文章合集更新
叉烧，CS的陋室博主，资深算法工程师，主攻搜索、对话、NLP方向。文章合集2023以来的文章，时间覆盖23年10月至25年1月的文章，因为25年1月的文章是对24年的总结，因此也被收录，包括“前沿重器”和“心法利器”。心法利器系列专注于技术和个人思考，讲的东西属于自己探究型，分享自己的经验。”，可以获得所有文章合集的链接。”，可以获得22年的文章合集。”，可以获得23年的文章合集。”，可以获得24年的文章合集。
2025-04-06 21:00:33
29
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
29
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
16
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
8
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
6
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
9
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
17
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
10
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
14
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
13
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
18
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
11
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
10
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
7
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
10
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
16
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
8
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
10
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
5
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
4
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
4
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
3
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
4
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
5
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
3
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
7
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
4
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
5
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
2
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
2
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
2
转载 前沿重器[60] | RecSys24：LLMs知识增强推荐系统（上交&；华为）
信息差主要是，大模型在训练阶段，应该已经吸收了很多经典物料的特性，例如《罗马假日》这种作品，大模型了解的会比较多，因此描述的会比较好，但是新的作品类似《哪吒之魔童闹海》则只能依赖prompt中的提示，可能效果会比较差甚至会被《哪吒之魔童降世》影响。借助大模型对特定场景的关键因素进行抽取和规范化，文章中给出的例子是电影推荐场景，会问大模型：“列出决定用户是否对电影感兴趣的重要的因素或特征”，用这个方式即可规范后续用户偏好的描述维度，以便大模型进行更加有效的分析。用户偏好推理和物料事实描述。
2025-03-30 21:00:05
1
原创 心法利器[132] | 大模型系统性能优化trick
举一个例子，推荐系统场景，如果等用户去刷新页面，才从头开始去做用户embedding、所有的内容理解，显然并不现实，然而，如果把工作拆解，例如一些比较固定的用户理解工作，物料的理解工作，放到非实时完成，实时只需要把embedding拿出来做物料召回、排序啥的，此时在线的耗时就会大大降低，离线我们有充足的时间去做计算，这块的技术在大模型有之前就已经有比较完善的探索研究工作，毕竟推荐系统发展已经很久，在海量数据的压力下，离线高并发并行处理，类似的大数据工作早有经验，大模型相关的流程也同样可以放在其中。
2025-03-23 21:01:27
875
转载 清华人大上交大教授领衔，DeepSeek时代中国生成式AI大会4月举行！Manus最强平替和杭州六小龙之一也来了
我们提出了一种用于双臂机器人操作的扩散基座模型——Robotics Diffusion Transformer（RDT），该模型以扩散模型作为基础，能够有效地表示多峰的人类动作分布，并采用可扩展的Transformer架构来处理异构的多模态输入，捕捉机器人数据中的非线性和高频特性。本次演讲提出LightThinker，一种基于动态思维压缩的推理加速方法，其核心是通过训练的方式让LLM在合适的时机自主压缩冗长的思维为紧凑的表征，并基于压缩后的内容继续推理，从而降低显存开销，提升推理速度。
2025-03-20 08:06:42
74
原创 前沿重器[59] | 淘宝LLM落地电商推荐实践启示
左边的方式是把LLM当做是特征提取器，旨在把用户和物料原始信息设计成prompt的模式，用LLM生成对应结果来进行表征。物料理解一直是推荐系统中比较困难的部分，在电商领域，各种商品的物料信息是非常复杂的，简单的muilti-hot的模式，在各种商品下，拓展性不高，而且数据非常稀疏，再者商品类目下还有些内容层面，不好做属性描述，文章举的例子是“特价”、“爆砍”等，而这里我还想补充类似“女朋友看到都哭了”、“儿童节”之类的，简单的文本编码显然不能很好地收集到这些信息，而这些正好是大模型所擅长的。
2025-03-16 21:00:46
1041
原创 心法利器[131] | 盘点踩过大模型多轮对话的坑
心法利器本栏目主要和大家一起讨论近期自己学习的心得和体会。具体介绍：仓颉专项：飞机大炮我都会，利器心法我还有。2023年新的文章合集已经发布，获取方式看这里：又添十万字-CS的陋室2023年文章合集来袭，更有历史文章合集，欢迎下载。往期回顾心法利器[126] | 24年算法思考-小模型的生存空间心法利器[127] | 24年算法思考-特征工程和经典深度学习心法利器[128] | 2024年算法小结...
2025-03-09 21:00:19
861
原创 心法利器[130] | RAG效果调优经验
心法利器本栏目主要和大家一起讨论近期自己学习的心得和体会。具体介绍：仓颉专项：飞机大炮我都会，利器心法我还有。2023年新的文章合集已经发布，获取方式看这里：又添十万字-CS的陋室2023年文章合集来袭，更有历史文章合集，欢迎下载。往期回顾心法利器[125] | 24年算法思考-RAG技术论文和实践小结心法利器[126] | 24年算法思考-小模型的生存空间心法利器[127] | 24年算法思考-...
2025-03-02 21:02:24
587
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人