- 博客(4)
- 收藏
- 关注
RSS订阅原创 ACL2025结合大语言模型的推荐系统文章简读（1）
针对第一个挑战，GRAM设计语义-词汇转换方法，将商品的层次语义信息和协同语义信息转换为LLM可理解的文本。与此同时，语义-词汇转换方法基于传统协同过滤方法，抽取相似商品的文本标识符，实现协同语义信息的捕捉。针对第二个挑战，论文提出多粒度后融合方法，对于用户历史交互信息和商品信息分别设计粗细粒度prompt，并行输入不同编码器编码，从而降低输入文本序列的长度。首先，T-PRA设计基于LLM的代理，包含负责实时推荐的Actor和负责深度推理以辅助Actor的Advisor。（3）过滤气泡效应的避免。
2025-08-09 16:37:09
1182
原创 论文记录：基于Token并行生成的推荐方法RPG
今天读到了一篇侯宇蓬博士发表于KDD2025的论文《Generating Long Semantic IDs in Parallel for Recommendation》，该文章聚焦生成式推荐，提出了一种商品ID并行生成方法RPG，解决了以往商品ID自回归生成方法推理低效、语义ID长度有限的缺点。刚开始阅读的时候并未关注到作者，读到一半才意识到该论文的研究内容和方法与侯博士以往的研究相似，查看作者后发现果然是他（是真厉害，值得学习）。
2025-06-16 19:06:28
2007
原创 论文记录：面向推荐系统的高效LLM微调方法TALLRec
该文章提出了一种面向推荐任务的LLM指令微调方法。该方法的主要贡献在于构建推荐任务指令数据集，采用高效微调方法Lora，对LLM实现推荐任务的适应，在少样本场景下取得了客观的结果。该方法虽然简介易懂，但也的确是一个大胆尝试。在数据充足、热启动场景下的效果未知。后续多篇文章指出，LLM是一个优秀的冷启动场景的推荐系统，但对于数据充足的场景，性能不佳。对于每个目标商品，TALLRec方法都需要运行一次LLM，才能获得判断结果。当候选商品众多时，推理速度慢，这也是生成式推荐所要解决的问题。
2025-05-27 19:56:51
1644
原创 论文记录：GEOLLM大语言模型地理空间知识抽取方法
由图可知，基础提示模板仅输入目标位置的GPS坐标，微调GPT-3.5输出的结果与真实结果相差甚远。相对而言，本文所提出的提示模板包含了目标位置的详细地址信息，以及其邻居位置信息，微调GPT-3.5输出的结果与真实结果相近。阅读该论文后，有以下收获：大语言模型包含地理空间知识，但感觉该种知识仍然体现在语义上，也即地理位置名称所蕴含的知识，而非坐标所反映的距离或位置知识。LLM包含粗粒度的地理空间知识（大范围位置的相关信息，比如城市类型，街道类型），但针对细粒度的地理空间知识还需进一步探索（A与B的距离）。
2025-05-11 09:58:27
768
1
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