- 博客(496)
- 收藏
- 关注
RSS订阅原创 前沿重器[73] | 深入技术深水区：RAG与Agent如何实现精准个性化
然而，感觉对个性化的剖析和应用还是比较粗，举几个例子吧，个性化的前提是画像，画像信息的不同类型，如数值、个人信息、行为等，直接联系任务和非直接联系任务（举例，类似性别、年龄就是距离目标很远的画像信息，喜欢电脑、喜欢看动漫就是距离任务很近的画像信息），不同信息的利用价值和使用方法都有很大差异。预检索阶段主要就是改写和拓展，改写是指通过对原始query的更新，提升检索效果，常见的就是纠错消歧、加入上下文之类的，拓展则是通过提供额外的信息对搜索query进行信息的扩充，其实某种程度上和改写也有些概念上的交集。
2025-08-17 21:00:22
914
转载 【招聘】平安科技-算法社招
熟练掌握nlp基础理论和算法，在一个或多个领域（如文本分类、情绪识别、语义理解、信息抽取、舆情挖掘等），能够独立开展研发工作。负责海量业务文本数据的分析和挖掘，包括话术质量检测、风险识别、对话摘要、关键内容提取、热点挖掘、语义理解与搜索、对话生成等。在国际顶级会议、期刊上发表论文经验者优先；有多模态内容理解、大数据、文本挖掘、推荐搜索、对话等方向经验者优先。有多模态内容理解、大数据、文本挖掘、推荐搜索、对话等方向经验者优先。熟练掌握机器学习的基础理论与算法，在推荐、搜索、对话等领域，能够独立开展研发工作。
2025-08-12 07:19:26
13
原创 前沿重器[72] 大模型“外脑”揭秘：Context Engineering综述
有关记忆模块的质量，已经有一些评估方面的研究工作了，即回答“什么样的记忆模块是好的记忆模块”这样一个问题，例如用准确性方案来评估记忆系统对历史的记忆准确度，用recall@5来评估召回的记忆是否为所需，还有耗时、生效时间等应用层面的指标，另外也有很多特定的任务，定制来分析参考系统的记忆能力，例如LongMemEval考虑信息提取、时间推理、多会话推理、知识更新和弃权共5个维度的质量。比较统一的方法论，对一个系统的评估可以划分为两块，一个是局部，一个是整体。类似搜索的速度慢，这个反而是小头。
2025-08-10 21:01:20
610
原创 前沿重器[71] Context Engineering深度解读：范式跃迁，还是概念包装
在智能体内，我们一般都希望大模型能处理各种信息，完成好我们交给他的任务，从前面的任务拆解路由，到后续执行、汇总和回复，而随着任务的逐渐复杂，大模型需要经历的步骤也会变多，这个变多势必也会让下游的任务的Prompt变得非常长（这里已经改口叫上下文窗口了），众所周知，尽管目前大模型能够吃下很长的文本，但并不代表长文本就能具有较好的效果，而且实验发现，长文本对大模型的影响是非常严重的，存在断崖式的下降，经过总结，目前主要是这4个原因。尤其是当信息足够多，更新足够频繁的时候，一个系统内引入RAG是非常有效的。
2025-07-27 21:00:48
941
原创 前沿重器[70] | Query优化前沿综述：核心方法解读与个人实战启示
，里面有个突出的特点——query拓展，通过多个角度的拓展，一方面能让搜索的匹配程度得到提升，另一方面能让搜索引擎找到更多有关这个话题的内容，从而提升最终结果的可靠性，在本期文章中，将给大家介绍一篇query优化的综述，为大家拓宽思路，了解query优化方面的有关技术，让大家在应用过程中能有更多有用的选择。query拓展旨在捕捉更广泛的相关信息，可以揭示原始查询中未曾显现的关联，这一过程包括分析初始查询、识别关键概念，并融入相关术语、同义词或关联想法，以构建一个新的查询，从而实现更全面的搜索。
2025-07-20 21:01:00
571
原创 前沿重器[69] | 源码拆解：deepSearcher动态子查询+循环搜索优化RAG流程
这个prompt的模板是这样的，内容相对比较常规，就是给好指令、query、路由的描述即可，这点在这个类型的项目内，即路由个数比较少的场景下，还是可以的，但是次数比较多，会因为prompt过场而导致决策质量出现差错，目前我看比较常见的策略是向量召回（以搜代分）+大模型的模式（PS：某种程度，这也算一种RAG？为了应对多次搜索的要求，整个项目内是采用了python的协程工具，看代码时，一般的搜索都是这么写的，这个就是python的协程，有兴趣的大家可以了解了解，对性能提升，CPU使用率都有好处。
2025-07-13 21:01:02
1079
原创 心法利器[136] | 算法开荒：大模型版本下高效应对碎片化需求的实战指南
我自己是已经经常用了，一些必要的分类问题，在少样本的情况下，向量召回能保证比较高的准确，同时还有比较高的准确性，如果类目还比较多而且比较杂，那更加合适，大模型一般很难吃下这么多的类目，而且性能也比较好，一些互联网环境，大模型可能适应不来，此时以搜代分的就比较可靠了，再者，最近的qwen3-embedding系列，对prompt的支持测下来还是不错的，非常建议尝试。不过要注意，时刻抱着怀疑的态度，一个是大模型搜到的东西可能和上面网上找到的类似，同时大模型也有幻觉，所以注意甄别。
2025-07-06 21:00:45
648
原创 前沿重器[68] | 北邮腾讯MemoryOS：分层记忆模式解决大模型长记忆问题（下）
这里也可以看出整个项目的简单，openai是请求大模型的组件，numpy、sentence-transformers是做一些基础计算和向量模型，faiss-gpu是单机向量召回组件，flask则是服务化的工具（不过，在现在最新版的项目下，用的是MCP，flask在项目里目前是没用上的）。实例，贯穿所有部分来作为所有信息的储存器，作为开源项目做demo是完全够用的，但作为工程项目其实是比较粗糙的，很多内容这里都是维护在本地，健壮性、稳定性、安全性都是不足的，如果要优化，有如下建议。
2025-06-29 21:00:35
782
原创 前沿重器[67] | 北邮腾讯MemoryOS：分层记忆模式解决大模型长记忆问题（上）
这篇论文的思路我挺欣赏的，具有较强的使用参考意义，能记忆通过可解释的方式进行拆解，并进行分别处理，这对很多需要多轮对话、深入了解用户信息才能回复的场景，都具有很强的价值，同时也具有很好的可拓展性，整个记忆模块的信息除了可以来源于对话，还可以来源于外界，在LPM中可以快速增补，例如一些对话式推荐的场景，可以加入用户的历史购买记录等，另外，信息的筛选思路也比较朴素，可以作为一个比较强的baseline了。在这篇文章里，作者给出的同样是一套完整的方案，这里的关键词是，分层存储和动态更新。热度的评价公式如下。
2025-06-22 21:01:01
984
原创 心法利器[135] | 五千字聊算法工程师的成长反思（答读者问）
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。2024年新的文章合集已经发布，获取方式看这里：再添近20万字-CS的陋室2024年文章合集更新，更有历史文章合集，欢迎下载。往期回顾心法利器[130] | RAG效果调优经验心法利器[131] | 盘点踩过大模型多轮对话的坑心法利器[132] | 大模型系统性能优化trick心法利器[133] | 为什么我的大模型效果不好心法利器[134] | 算法工作6年经验分享：把活干得漂亮前几条做了一个问题
2025-06-15 21:01:18
667
转载 提问收集-0612
看看大家有什么问题有兴趣的，可以在评论区里提问，12日，就是今天，晚上我基本都会在线，在这个评论区里提问互动，部分比较大的问题我会在后面的文章里进行总结回复。我可以给一些思路，对最近的学习、工作、技术、生活、职场有什么想法，心态是什么样的之类的，包括最近的一些技术迭代变化，另外这个时间点挺多话题的，高考、毕业季、校招等，都可以聊聊。好久没做答读者问的环节了，本来计划是在每年的工作感想里怎么加这个环节，结果没收集问题，这次补一波，和大家展开来聊聊。祝大家学习工作顺利！
2025-06-12 20:58:36
17
原创 前沿重器[66] | 美团搜索广告召回迭代实践启示
有个发现，此处语义向量召回似乎一直没有作为很核心的主流，更多是考虑生成式了，超短句的语义向量质量其实是一般的，作者更多的工作放在了个性化+语义合并，然后做推理（无论是生成式还是后续的DS，甚至前面的几万token预测），相当于语义在这里更像一个特征，而非直接的训练目标。今天给大家介绍的是美团的一篇讲搜索广告召回的迭代思路，这个召回的历史比较悠久，经历了多个版本的迭代，通过这篇文章的阅读能感受到各个版本技术的优劣势，也能感受到各种相关技术的变迁，还包含了大量比较深刻的业务理解，收获还挺大的。
2025-06-08 21:01:12
1048
原创 前沿重器[65] | 大模型评判能力综述
，反复强调很多次，很多的问题就暴露在bad case里面，上面有提到评价任务的标准需要反复探究，就来源于此，早期我们并不能很好地理解一些任务，例如“关键词抽取”之类的任务，关键词的概念很模糊，只有看的足够多，逐步明确边界，才能知道何为关键，再者，我们人类的理解要对齐，我们和大模型的理解，也需要达成一致。在论文中，有提到纵向的步骤拆分和横向的分维度拆分，是有必要的，实验表明，对一些比较客观的文本生成任务，分维度能让大模型的额评价更加客观完整，单一的评价任务可能会存在一些倾向性，拆分能约束模型思考。
2025-06-02 21:01:17
542
原创 心法利器[134] | 算法工作6年经验分享：把活干得漂亮
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。2024年新的文章合集已经发布，获取方式看这里：再添近20万字-CS的陋室2024年文章合集更新，更有历史文章合集，欢迎下载。往期回顾心法利器[129] | deepseek-R1自测效果分析和选择建议心法利器[130] | RAG效果调优经验心法利器[131] | 盘点踩过大模型多轮对话的坑心法利器[132] | 大模型系统性能优化trick心法利器[133] | 为什么我的大模型效果不好转眼又到
2025-05-25 21:00:48
765
原创 前沿重器[64] | 阿里妈妈URM大模型：基于LLM的通用推荐新方案
在文本生成的过程，一般的自回归模式很容易产生物料库内没有的内容，而且自回归的推理成本和时间也比较高，因此文中直接生成目标文本和目标物料两者，而且考虑到文本和物料两者的空间存在冲突，所以此处采用特殊的标签"[UM]"和"[LM]"来区分，有两个关键的输出头，一个是用户建模的输出头，将最终结果转为用户的嵌入，一个是语言头，允许模型进行文本生成的训练。这里特别提出一个有意思的问题，就是搜索和推荐的差异，搜索是有明确的查询需求的，但是推荐没有，这两个任务之间的差异很明显，本就难以兼容。
2025-05-18 21:00:55
525
原创 前沿重器[63] | SIGIR25-个性化实时检索增强机器人主动对话能力
论文内没有什么公式，更多是思路的介绍和应用思路，初看可能会觉得论文的内容比较随意，但这些思路我自己的感觉还是挺有启发的，另外有一些方案细节，按照作者的意思基本是参考了一些论文的实践建议，给了不少参考文献，下文的关键部分，我也会列举一部分，有兴趣的读者也可以按需阅读。这个意图体系，显然和常见的不同，这里分的是3个，自然过渡、显式检索、隐式检索，是个根据下游的策略区别来区分的，而这个下游的区分，是结合实际业务需求的差异来分析得到的，这块的设计应该是有很多业务上的数据分析积累得到的。
2025-05-11 21:00:34
1155
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
757
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
804
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
616
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
53
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
46
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
31
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
24
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
21
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
23
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
37
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
26
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
39
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
38
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
33
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
24
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
28
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
21
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
38
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
26
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
32
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
23
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
20
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