AIGC動態(tài)歡迎閱讀

原標題：ACL2024主會：無需訓練的大模型推薦系統(tǒng)！
關鍵字：用戶,問題,方法,本文,領域
文章來源：夕小瑤科技說
內(nèi)容字數(shù)：0字

內(nèi)容摘要：

夕小瑤科技說 原創(chuàng)作者 | Axe_越如今，各種推薦系統(tǒng)無時無刻不在包圍著我們的生活，自大模型（Large Language Model, LLM）時代以來，得益于LLM的高度，傳統(tǒng)推薦方法中常規(guī)項目庫的限制被打破，更多全新的內(nèi)容可以通過LLM直接生成并被推薦給用戶，為用戶提供了更多樣化和個性化的選項。
當然，正如要求大家用一個字來形容LLM，大多數(shù)朋友都會用“好”；而如果要求用兩個字的話，想必不少朋友就會在“好”字后面加上一個“貴”了。是的，無論是微調(diào)還是訓練一個LLM，往往都意味著大量的計算資源和財務投入。此外，除了微調(diào)或訓練需要時間，收集和標注數(shù)據(jù)同樣需要大量的時間投入，而這就可能會延遲產(chǎn)品發(fā)布和迭代速度，使得推薦的內(nèi)容出現(xiàn)滯后的現(xiàn)象。
正如文本和圖像領域可以運用LLM的理解和泛化能力，在不經(jīng)過額外訓練的情況下，就讓LLM實現(xiàn)特定領域很好的應用效果。那么對于AI三支柱的最后一支“推薦系統(tǒng)”來說，是否也同樣可以做到呢？
論文標題:Generative Explore-Exploit: Training-free Optimization of Generative Recomm

原文鏈接：ACL2024主會：無需訓練的大模型推薦系統(tǒng)！

聯(lián)系作者

文章來源：夕小瑤科技說
作者微信：xixiaoyaoQAQ
作者簡介：專業(yè)、有趣、深度價值導向的科技媒體。聚集30萬AI工程師、研究員，覆蓋500多家海內(nèi)外機構投資人，互聯(lián)網(wǎng)大廠中高管和AI公司創(chuàng)始人。一線作者來自清北、國內(nèi)外頂級AI實驗室和大廠，兼?zhèn)涿翡J的行業(yè)嗅覺和洞察深度。商務合作：zym5189