AIGC 研究:推荐系统与大模型
AIGC 研究:推荐系统与大模型


📌
推荐系统与大模型的融合:深度学习能力、多模态融合、上下文建模
1.
推荐系统
1.1
定义与应用
推荐系统是一种信息过滤系统,用于预测用户对物品的“评分”或“偏好”(筛选与排序)。它可以帮助用户在海量的信息中找到自己感兴趣的物品,提高用户体验和满意度。应用如下:
•
电商购物:推荐系统可以根据用户的历史购买记录、浏览记录等信息,推荐用户可能感兴趣的商品。
•
社交媒体:推荐系统可以根据用户的社交关系、兴趣爱好等信息,推荐用户可能感兴趣的帖子、视频等内容。
•
音乐、影视等娱乐内容:推荐系统可以根据用户的收听、观看记录等信息,推荐用户可能喜欢的音乐、影视作品。
•
搜索引擎:推荐系统可以根据用户的搜索历史、行为等信息,推荐用户可能感兴趣的搜索结果。
1.2
算法分类
•
基于内容的推荐:根据物品的内容信息,推荐与用户兴趣相似的物品。
•
基于协同过滤的推荐:根据用户对物品的评分或行为,推荐与其他用户具有相似兴趣的物品。
•
基于关联规则的推荐:根据物品之间的关联关系,推荐用户可能感兴趣的物品。
•
基于效用的推荐:根据用户对物品的评分或行为,计算物品的效用,推荐用户效用最高的物品。
•
基于知识的推荐:根据用户的兴趣、偏好等信息,推荐与用户兴趣相关的物品。
1.3
效果评估的指标
•
准确率:推荐系统推荐的物品与用户实际喜欢的物品的匹配程度。
•
覆盖率:推荐系统推荐的物品的数量与系统中所有物品的比例。
•
新颖度:推荐系统推荐的物品与用户之前接触过的物品的差异程度。
2.
影响推荐系统的因素