大语言模型在推荐系统应用现状与初步探索-31页

推荐系统如何从大语言模型中取长补短：从应用视角出发唐睿明----华为诺亚方舟实验室DataFunSummit#2023目录CONTENT01背景和问题02何处运用大语言模型（Where）推荐模型如何从大语言模型种取长补短，从大语言模型可以用于特征工程、特征编码、而提升推荐性能，优化用户体验？打分排序、流程控制03如何运用大语言模型（How）04挑战和展望总结大语言模型用于推荐系统的两个关键趋从应用视角出发，总结大语言模型用于推荐势，并分别介绍两个技术方案系统的挑战，并展望未来趋势01背景和问题DataFunSummit#2023背景和问题传统的推荐系统LLM+RS：核心研究问题拆解•模型相对较小，时间空间开销低√•可以充分利用协同信号√•只能利用数据集内的知识ו缺乏语义信息和深度意图推理×大语言模型•引入外部开放世界知识，语义信号丰富√•具备跨域推荐能力，适合冷启动场景√•协同信号缺失ו计算复杂度高，难以处理海量样本×核心研究问题推荐模型如何从大模型中取长补短，从而提升推荐性能，优化用户体验?从应用角度出发，我们进一步将该问题拆解为何处运用大语言模型（WHEREtoadapt）如何运用大语言模型（HOWtoadapt）LinJ,DaiX,XiY,etal.HowCanRecommenderSystemsBenefitfromLargeLanguageModels:ASurvey.arXivpreprint,2023.02何处运用大语言模型DataFunSummit#2023何处运用大语言模型(WHEREtoadaptLLM)根据现代基于深度学习的推荐系统的流程，我们抽象出以下基于深度学习的推荐系统流程和不同阶段LLM应用的代表性工作五个环节：•数据采集阶段：线上收集用户行为和记录，得到原始数据（rawdata）•特征工程阶段：...