页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「LLM 检索增强生成」找到 414 条内容
按专题浏览 →匹配正文：…荐任务 关键优势与挑战 优势： 天然融合内容信息（标题、图文），缓解ID冷启动 统一框架支持多任务（推荐+解释+对话） 利用预训练LLM的泛化能力 挑战： 推理延迟：自回归生成 vs 向量内积检索 ID词汇表爆炸：百万级物品需高效Token化（如Semantic ID、分层编码） 位置偏差：生成顺序影响多样性 小红书场景的思考 笔记推荐适合生成式范式——内容属性丰富（标题、标签、图文），可生成"为什么推荐"的解释增强信任。但需解决：① 十亿级笔记的ID压缩 ② 在线P99延迟…
匹配正文：…测下一个token"。 四个维度的改进方向 1. 模型架构：统一生成范式 当前：ID-based序列建模（SASRec等）与生成式LLM割裂 趋势：用生成式统一框架替代多阶段漏斗（召回→粗排→精排→重排） 关键：设计适配推荐的Tokenizer（将item ID、属性、内容编码为统一token） 2. 训练方式：多任务+反馈学习 引入RLHF/DPO：利用用户真实反馈（点击、收藏、时长）优化生成质量 解决生成式推荐的"曝光偏差"和"奖励稀疏"问题 小红书场景：笔记生成需对齐"…
…就没辙了。所以我会把它当兜底策略，保证延迟可控，再往上叠其他方法。 然后是语义重写，这个就用上模型了。比如用户说「那个红色的」，用LLM或者T5这种模型改写，变成「红色连衣裙」，或者「苹果」这个词，根据上下文判定是手机还是水果。这个方法的优势是能处理口语化和不完整的Query，劣势是延迟高、成本高。所以我不会所有流量都走语义重写，而是只对长尾Query或者对话场景做重写，或者用个小模型先过滤一遍。 再一个就是对话历史融合，这个在[[RAG]]系统里特别重要。用户多轮对话里经常…
学习内容与项目面试，在同一条路上。