LLMs revolucionam sistemas de recomendação e pesquisa: Uma pesquisa abrangente

Este artigo analisa pesquisas recentes que aplicam Modelos de Linguagem Grandes (LLMs) a sistemas de recomendação e mecanismos de pesquisa. Os estudos exploram várias abordagens, incluindo arquiteturas de modelos aumentadas por LLM (por exemplo, Semantic IDs do YouTube e M3CSR do Kuaishou), uso de LLMs para geração e análise de dados (por exemplo, Melhoria da Qualidade de Recomendação do Bing e Correspondência Ruim Esperada do Indeed) e adoção de metodologias de treinamento de LLM (por exemplo, leis de dimensionamento, aprendizado por transferência e destilação de conhecimento). Além disso, a pesquisa se concentra em arquiteturas unificadas para sistemas de recomendação e mecanismos de pesquisa, como 360Brew do LinkedIn e UniCoRn da Netflix, para melhorar a eficiência e o desempenho. No geral, esses estudos demonstram o potencial significativo dos LLMs em aprimorar sistemas de recomendação e mecanismos de pesquisa, produzindo resultados substanciais no mundo real.