该工作利用了语义相似度以及itemcf的思想来进行大模型推荐

关注我们，一起学习图片来源网络RAG又称为检索增强生成，今天借助RAGas [1]这个库介绍相关的评估指标。这里采用了平均精度的方式，假设召回K个相关样本，则Precision@k计算topk情况下的精度，然后对于所有的K个样本，从1到K计算每个topk下的精度，其中表示当前第k个样本是否对回答问题有帮助利用LLM ：使用LLM，给定相关的提示词，对于（问题，上下文/回答，检索到的上下文）让LLM

本文将深入介绍 FlashAttention 系列技术的核心原理、算法优化及其在大模型训练中的实际应用。通过减少内存开销和优化 GPU 并行计算，该技术显著提升了 Transformer 模型的训练效率，特别是在长序列处理上展现出强大优势。

关注我们，一起学习标题: Deep Ensemble Shape Calibration: Multi-Field Post-hoc Calibration in Online Advertising地址：https://arxiv.org/pdf/2401.09507公司：shopee代码：https://github.com/HaoYang0123/DESC会议：KDD 2024导读 ====

关注我们，一起学习论文标题：Pay Attention to Attention for Sequential Recommendation论文链接：https://arxiv.org/pdf/2410.21048会议：RecSys 2024学校：青海大学转载请注明出处基于transformer的方法在许多序列化任务中取得了显著效果，然而传统的自注意力模型可能不足以捕获序列推荐场景中复杂的item

关注我们，一起学习TLDR：大语言模型（LLM）的集成显著提升了推荐系统的性能。然而，这通常以牺牲推荐多样性为代价，从而可能对用户满意度产生负面影响。为了解决这个问题，可控推荐已成为一种很有前景的方法，它允许用户指定自己的偏好并接收满足其多样化需求的推荐。尽管具有潜力，但现有的可控推荐系统经常依赖简单的机制（例如单个prompt微调）来调节多样性，这种方法未能完全捕捉用户偏好的复杂性。为了应对这些

关注我们，一起学习标题: Coarse-to-fine Dynamic Uplift Modeling for Real-time Video Recommendation地址：https://arxiv.org/pdf/2410.16755公司吗，学校：快手，清华导读 =======本文主要是快手在视频推荐场景中，采用uplift建模。主要面临两个主要挑战：1）treatment的设计和利用，2

关注我们，一起学习标题: Coarse-to-fine Dynamic Uplift Modeling for Real-time Video Recommendation地址：https://arxiv.org/pdf/2410.16755公司吗，学校：快手，清华导读 =======本文主要是快手在视频推荐场景中，采用uplift建模。主要面临两个主要挑战：1）treatment的设计和利用，2

今天跟大家分享一篇来自于香港城市大学、百度关于全球地理定位领域的论文。该论文针对全球范围内精确定位照片提出了一种新颖的基于检索增强生成（Retrieval-Augmented Generation, RAG）的框架G3。

关注我们，一起学习标题：Touch the Core: Exploring Task Dependence Among Hybrid Targets for Recommendation论文链接：https://dl.acm.org/doi/pdf/10.1145/3640457.3688101会议：RecSys 2024公司，学校：腾讯，麦吉尔大学随着用户行为的复杂化，在线推荐更加注重如何触达与

有兴趣得可以找笔者内推，点击公众号中的联系作者，或者留言用户增长算法工程师职位描述1、深入业务场景，和产品、运营配合，优化产品设计和营销方案；2、研究数据挖掘或统计学习领域的前沿技术，构建和优化用户画像；3、针对具体业务目标建模优化，包括但不限于广告投放、人群分层、信用评分、成本优化等；4、深度探索财经用户增长的数据、策略、算法，提升用户增长、转化的效率。职位要求1、本科及以上学历，计算机、机器学

关注我们，一起学习标题: DIIT: A Domain-Invariant Information Transfer Method for Industrial Cross-Domain Recommendation地址：https://arxiv.org/pdf/2410.10835公司：OPPO导读 =======本文主要针对跨域推荐提出对应的解决方法，现有的大分部方法都假设了一个理想的静态条

算法工程师之路

关注我们，一起学习在模型中进行单调性建模在医学和金融领域都有着重要的作用，比如在金融领域，同一个用户在不同权益下的转化率是随着权益的增大呈现递增趋势的，曲线是单调的[1]。而单调性建模可以从几个方面出发：函数建模，模型结构，正则化。根据数据分布，设定先验的单调性函数，用模型来预估这些函数对应的参数。线性单调函数[5]，，其中c干预的权益，softplus保障了c的权重系数是大于0的[6]中进一步在

关注我们，一起学习导读 =======近年来，随着大型语言模型（LLMs）的迅速发展，研究人员对如何将这些模型用于增强推荐系统（RSs）表现出极大兴趣。当前有两种主要方法来利用LLM改进推荐系统：一是直接将LLM作为推荐系统，二是利用LLM生成特征来增强推荐系统。LLM as Recommender Systems ：这类方法包括直接提示LLM进行推荐，或者通过微调LLM使其专门用于推荐任务。尽管

关注我们丨文末赠书每年的这个时候，准毕业生们最头疼的事情莫过于写毕业论文，而如果说有什么能够超越这个头疼程度，那一定就是需要绘制图表的数据可视化论文了。小异认为用 “一图胜千言” 来表示数据可视化在论文中的重要性一点都不为过，毕竟我们既要用图片来吸引读者，也要用图片展现实验数据和分析结论的科学性。好的配图绝对能让你的科研论文增色不少。但真正做起来，难点也有一箩筐：▮ 处理复杂的数据集，用什么统计

详细介绍了腾讯广告推荐模型最近几年来的技术沉淀和实践经验，探索特征编码保留先验信息，维度坍塌，兴趣纠缠等问题

关注我们，一起学习标题：Beyond KAN: Introducing KarSein for Adaptive High-Order Feature Interaction Modeling in CTR Prediction论文链接：https://arxiv.org/pdf/2408.08713代码：https://github.com/Ancientshi/KarSein学校：悉尼科技大学

关注我们，一起学习标题: Multi-Treatment Multi-Task Uplift Modeling for Enhancing User Growth地址：https://arxiv.org/pdf/2408.12803学校，公司：佐治亚理工学院，腾讯导读 =======以往的文章主要考虑的式binary treatment的情况，本文提出了一种multi-treatment方法MTM