摘要 - LARGE语言模型(LLMS)在不同领域表现出了出色的性能,促使研究人员探索其在推荐系统中使用的潜力。最初的尝试利用了LLM的特殊功能,例如通过文本学习丰富的知识和强大的实现,这涉及将建议任务作为提示。尽管如此,由于LLMS的培训任务与建议任务的培训任务之间存在很大的差异,并且在预训练期间的建议数据不足,因此LLM在推荐任务中的性能仍然是最佳的。本文Intro-duces rlrf4rec是一个新颖的框架,该框架整合了从recsys反馈中学习的增强框架,以增强推荐的重新推荐(RLRF4REC)与LLMS解决这些挑战。具体来说,我们首先具有基于用户交互历史记录的LLM生成推断的用户偏好,然后将其用于增强传统的基于ID的序列推荐模型。随后,我们基于知识增强建议模型培训了奖励模型,以评估LLM的推理知识质量。然后,我们从N样品中选择最佳和最差的响应来构建用于LLM调整的数据集。最后,我们设计了一种具有直接偏好优化(DPO)的结构对齐策略。我们通过广泛的实验验证了RLRF4REC的有效性,与基准相比,建议指标的建议量度有显着改善。这表明我们的方法显着提高了LLM响应推荐系统中指令的能力。
该技术已经在开发中,但是需要加速。例如,Pipistrel生产了第一个(唯一的)认证的固定机翼,电池电动航空飞机,该飞机今天用于脱碳化试验训练。心脏航空航天集中于开发杂交电溶液以脱碳的区域航行。推进制造商正在大力投资开发新的,创新的和可扩展的电动推进解决方案,包括与Daher和Airbus一起的Eco-Pulse Tech Nology演示者,而其他人则专门从事全面飞机电气化。例如,H55正在认证一个可自定义的全电推进系统,该系统由电池组组成,适合通用航空和通勤飞机的需求。反过来,欧洲电力垂直起飞和降落(EVTOL)飞机制造商(如Volocopter,lilium and垂直航空航天)在开发未来新的区域和城市流动性解决方案的最前沿,与Skyports Informanture(例如Skyports Informanture)密切合作。欧洲处于这一新浪潮的最前沿。
