机构名称：
¥ 1.0
在信息过载的时代，推荐系统在过滤数据和提供个性化内容中起着关键作用。功能交互和用户行为模式方面的最新进展显着增强了这些系统的回忆和排名过程。随着大语言模型（LLM）的兴起，已经出现了新的机会，以进一步改善推荐系统。本教程探讨了整合LLMS的两种主要方法：LLMS增强建议，这些建议利用了一般LLMS的推理能力，以及生成性的大建议模型，重点是缩放和精致。虽然前者在现有文献中得到了广泛的覆盖，但后者仍然没有被忽视。本教程的目的是通过提供有关大型建议模型的全面概述，包括其最近的进步，挑战和潜在的研究方向，以填补这一差距。关键主题包括数据质量，缩放定律，用户行为挖掘以及培训和推理的效率。通过与本教程互动，参与者将洞悉该领域的最新发展和未来机会，从而有助于学术研究和实际应用。此探索的及时性质
生成大型建议模型
主要关键词
相关文件推荐
