Les LLM révolutionnent les systèmes de recommandation et de recherche : Une étude complète
Cet article examine les recherches récentes appliquant les grands modèles de langage (LLM) aux systèmes de recommandation et aux moteurs de recherche. Les études explorent diverses approches, notamment les architectures de modèles augmentées par LLM (par exemple, les ID sémantiques de YouTube et le M3CSR de Kuaishou), l’utilisation des LLM pour la génération et l’analyse de données (par exemple, l’amélioration de la qualité des recommandations de Bing et la mauvaise correspondance attendue d’Indeed), et l’adoption de méthodologies d’entraînement des LLM (par exemple, les lois d’échelle, l’apprentissage par transfert et la distillation des connaissances). En outre, la recherche se concentre sur les architectures unifiées pour les systèmes de recommandation et les moteurs de recherche, telles que 360Brew de LinkedIn et UniCoRn de Netflix, afin d’améliorer l’efficacité et les performances. Globalement, ces études démontrent le potentiel significatif des LLM pour améliorer les systèmes de recommandation et les moteurs de recherche, produisant des résultats concrets dans le monde réel.