详细内容或原文请订阅后点击阅览
使用 Python 提高法学硕士推荐系统的精度
这就是当今如何使用法学硕士来提高推荐系统的精度这篇文章《通过法学硕士提高推荐系统的精度，使用 Python》首先出现在《走向数据科学》上。
来源:走向数据科学如下：
“鱼与熊掌不可兼得。”
我觉得这句话非常有诗意，而且非常实用、有用。这句话的意思很简单：你所完成的一切都是通过权衡而实现的，因为一切都是有代价的。
哲学讨论超出了本文的范围，但这些考虑的实际后果与数据科学和软件工程总体上非常一致。让我解释一下。
在软件工程和数据科学中，本质上不存在“完美设计”这样的东西。对于给定应用程序来说非常出色的相同算法在其他应用程序中却惨遭失败。
考虑以下情况下的计算与内存权衡：
预先计算两个城市之间的距离并将其存储在数据集中很有意义，但在飞行中计算它们没有意义。这是因为您期望数据集的维护成本相当低（城市不只是经常移动），并且每隔一秒计算纽约和旧金山之间的距离是愚蠢的。 [案例A]
然而，对于聊天机器人来说，记住人类可以提出的所有可能的问题并在提出问题时提取该问题的答案同样是愚蠢的（而且可能是不可能的）。这是因为问题的本质更加动态，并且需要“即时”计算。 [案例B]
在情况 A 中，我们牺牲了内存并获得了极快的计算速度。在情况 B 中，我们花费了更多的计算时间，但我们没有使用任何“查询”内存。
你能得到没有计算时间和没有内存吗？不是真的，因为你不能鱼与熊掌兼得 🙂
但是让我们举一个不太明显但更“流行”的例子。我们来谈谈大型语言模型（LLM）。
在本文中，我将使用我们正在做的餐厅推荐示例作为用例，为您提供这些智能的、经过 LLM 改进的推荐系统的秘诀。