开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何管理多个偏好集？

管理多个偏好集是指在云计算领域中，如何有效地管理和维护多个用户或系统的偏好设置。以下是一个完善且全面的答案：

多个偏好集管理可以通过以下步骤来实现：

确定偏好集的分类：根据业务需求和用户类型，将偏好集进行分类。常见的分类包括用户个人偏好、系统配置偏好、应用程序偏好等。
设计偏好集存储结构：根据偏好集的分类，设计合适的存储结构来存储偏好集。可以使用数据库、配置文件或者云存储等方式进行存储。
确定偏好集的优势：根据不同的偏好集分类，确定其优势和特点。例如，用户个人偏好集可以提供个性化的用户体验，系统配置偏好集可以提高系统的性能和稳定性。
确定偏好集的应用场景：根据不同的偏好集分类，确定其适用的应用场景。例如，用户个人偏好集可以应用于电子商务平台的个性化推荐，系统配置偏好集可以应用于大规模分布式系统的配置管理。
推荐腾讯云相关产品：针对不同的偏好集分类，腾讯云提供了一系列相关产品来支持多个偏好集的管理。以下是一些推荐的腾讯云产品及其介绍链接：
- 云数据库MySQL：适用于存储系统配置偏好集的关系型数据库服务。链接：https://cloud.tencent.com/product/cdb
- 云存储COS：适用于存储用户个人偏好集的对象存储服务。链接：https://cloud.tencent.com/product/cos
- 云服务器CVM：适用于部署和管理应用程序偏好集的弹性云服务器。链接：https://cloud.tencent.com/product/cvm
- 人工智能平台AI Lab：适用于处理和分析多媒体处理偏好集的人工智能平台。链接：https://cloud.tencent.com/product/ailab
- 物联网平台IoT Hub：适用于管理物联网设备偏好集的物联网平台。链接：https://cloud.tencent.com/product/iothub
- 云原生容器服务TKE：适用于部署和管理云原生应用程序偏好集的容器服务。链接：https://cloud.tencent.com/product/tke
- 区块链服务BCS：适用于存储和管理区块链相关偏好集的区块链服务。链接：https://cloud.tencent.com/product/bcs
- 视频点播VOD：适用于存储和处理音视频偏好集的视频点播服务。链接：https://cloud.tencent.com/product/vod
- 网络安全服务：适用于保护偏好集数据安全的网络安全服务，如DDoS防护、Web应用防火墙等。链接：https://cloud.tencent.com/product/ddos
- 移动推送服务：适用于推送个性化消息和通知的移动推送服务。链接：https://cloud.tencent.com/product/umeng

通过以上步骤和腾讯云相关产品的使用，可以实现多个偏好集的有效管理和维护，提升用户体验和系统性能。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

RLHF再也不需要人类了！谷歌团队研究证明，AI标注已达人类水平

谷歌团队的最新研究提出了，用大模型替代人类，进行偏好标注，也就是AI反馈强化学习（RLAIF）。

02

【论文解读】RLAIF基于人工智能反馈的强化学习

人类反馈强化学习(RLHF)可以有效地将大型语言模型(LLM)与人类偏好对齐，但收集高质量的人类偏好标签是一个关键瓶颈。论文进行了一场RLHF与来自人工智能反馈的RL的比较(RLAIF) -一种由现成的LLM代替人类标记偏好的技术，论文发现它们能带来相似的改善。在总结任务中，人类评估者在70%的情况下更喜欢来自RLAIF和RLHF的生成，而不是基线监督微调模型。此外，当被要求对RLAIF和RLHF总结进行评分时，人们倾向于两者评分相等。这些结果表明，RLAIF可以产生人类水平的性能，为RLHF的可扩展性限制提供了一个潜在的解决方案。

02

Redis基础教程（三）：redis命令

Redis，作为一款高性能的键值存储数据库，提供了丰富且功能强大的命令集，涵盖了数据操作、事务管理、键值管理、服务器信息查询等多个方面。掌握这些命令是高效使用Redis的关键。本文将详细介绍Redis的主要命令及其应用场景，并通过具体案例展示如何在实际项目中运用这些命令，以提升数据处理的效率和灵活性。

01

谷歌开放全新自然语言数据集

近日，谷歌宣布开放两个新的自然语言对话数据集，分别是 Coached Conversational Preference Elicitation（CCPE）和 Taskmaster-1。这两个数据集旨在对更接近人类对话的数据进行更详细的标注，并提供到自然语言处理相关研究者更符合生活实际的数据内容。谷歌发布了相关内容详细介绍该开放数据集，我们将其进行了如下整理及编译。

04

如何快速全面建立自己的大数据知识体系？

作者刘永平经过研发多个大数据产品，将自己形成关于大数据知识体系的干货分享出来，希望给大家能够快速建立起大数据产品的体系思路，让大家系统性学习和了解有关大数据的设计架构。很多人都看过不同类型的书，也接触过很多有关大数据方面的文章，但都是很零散不成系统，对自己也没有起到多大的作用，所以作者第一时间，带大家从整体体系思路上，了解大数据产品设计架构和技术策略。大数据产品，从系统性和体系思路上来做，主要分为五步：针对前端不同渠道进行数据埋点，然后根据不同渠道的采集多维数据，也就是做大数据的第一步，没有全量数据，

05

【犀牛鸟·硬核】中科大-腾讯最新联合研究成果入选ACM SIGKDD顶级会议研究类长文

导语：在刚刚结束的ACM SIGKDD 2019顶级会议上，腾讯技术工程事业群数据平台部与中科大联合发表的最新研究成果入选SIGKDD 2019 Research Oral Paper (研究类文章)，入选论文的题目“MCNE:An End-to-End Framework for Learning Multiple Conditional NetworkRepresentations of SocialNetwork”。该研究成果由中国科学技术大学大数据分析与应用安徽省重点实验室陈恩红教授团队（博士生王

03

每日论文速递 | sDPO-不要一次就把对齐数据用完

A：这篇论文试图解决的问题是如何在大型语言模型（LLMs）的训练过程中，更有效地与人类偏好对齐。具体来说，它提出了一种名为逐步直接偏好优化（stepwise Direct Preference Optimization，简称sDPO）的方法，用于改进现有的直接偏好优化（DPO）方法。这个方法通过分步使用可用的偏好数据集，而不是一次性使用全部数据，从而在DPO训练框架中使用更精确对齐的参考模型。通过这种方法，论文展示了如何训练出一个性能更佳的最终模型，甚至在某些情况下，其性能超过了参数更多的其他流行的大型语言模型。

01

如何做好大数据产品设计架构和技术策略？

作者经过研发多个大数据产品，将自己形成关于大数据知识体系的干货分享出来，希望给大家能够快速建立起大数据产品的体系思路，让大家系统性学习和了解有关大数据的设计架构。很多人都看过不同类型的书，也接触过很多有关大数据方面的文章，但都是很零散不成系统，对自己也没有起到多大的作用，所以作者第一时间，带大家从整体体系思路上，了解大数据产品设计架构和技术策略。大数据产品，从系统性和体系思路上来做，主要分为五步：针对前端不同渠道进行数据埋点，然后根据不同渠道的采集多维数据，也就是做大数据的第一步，没有全量数据，何谈

08

在YesDev研发协同工具，项目协作 All In One

值得注意的是，YesDev中所定义和提倡的项目，是指在一定时间周期内完成的有限需求、任务和问题的集合，对应敏捷开发中的一次迭代或Scrumn的一个Sprint。除此之外，其他事务或技术专项也可以通过项目来进行统一管理和流转。简而言之，项目可以是：

02

个性化推荐系统（二）---构建推荐引擎

00

快速全面构建大数据认知体系

很多人都看过关于大数据方面的文章/书籍，但都是零散不成系统的，对自己并没有起到特别大的作用，所以本文希望能解决大家的疑惑，带大家从整体体系思路上，了解大数据产品设计架构和技术策略。

07

每日论文速递 | [NeurIPS'23 Oral] DPO：Language Model 是一个 Reward Model

摘要：虽然大规模无监督语言模型（LMs）可以学习广泛的世界知识和一些推理技能，但由于其训练完全不受监督，因此很难实现对其行为的精确控制。获得这种可控性的现有方法通常是通过人类反馈强化学习（RLHF），收集人类对各代模型相对质量的标签，并根据这些偏好对无监督语言模型进行微调。然而，RLHF 是一个复杂且经常不稳定的过程，首先要拟合一个反映人类偏好的奖励模型，然后利用强化学习对大型无监督 LM 进行微调，以最大限度地提高估计奖励，同时不会偏离原始模型太远。在本文中，我们介绍了 RLHF 中奖励模型的一种新参数化方法，它能以封闭形式提取相应的最优策略，使我们只需简单的分类损失就能解决标准的 RLHF 问题。由此产生的算法我们称之为直接偏好优化（DPO），它稳定、性能好、计算量小，在微调过程中无需从 LM 中采样，也无需进行大量的超参数调整。我们的实验表明，DPO 可以对 LM 进行微调，使其与人类偏好保持一致，甚至优于现有方法。值得注意的是，使用 DPO 进行的微调在控制代际情感的能力上超过了基于 PPO 的 RLHF，并且在总结和单轮对话中达到或提高了响应质量，同时在实现和训练方面也要简单得多。

01

每日论文速递 | [COLING'24] 探索数据多样性对LLM对齐的影响

摘要：与人类偏好对齐可以防止大型语言模型（LLMs）产生误导性或有毒内容，但同时需要高成本的人类反馈。假设人工标注的资源有限，可以考虑两种不同的分配方式：标注更多样化的 "指令"（PROMPTS）或更多样化的 "回应"（RESPONSES）。然而，这两种方式的影响还没有直接的比较。在这项工作中，我们首先根据样本数量控制双方的多样性，以便进行微调，这可以直接反映出它们的影响。我们发现，对于人类对齐而言，更多的response和更少的提示反而能更好地触发 LLM。此外，提示语多样性的概念可能比通常以个位数量化的回答更为复杂。因此，我们提出了一种新的提示多样性表述方式，进一步揭示了微调后 LLM 的最终性能与提示多样性呈线性相关。我们还将其用于数据增强，并通过实验展示其对不同算法的影响。

01

RLHF vs RL「AI」F，谷歌实证：大模型训练中人类反馈可被AI替代

根据人类反馈的强化学习（RLHF）是一种对齐语言模型与人类偏好的有效技术，而且其被认为是 ChatGPT 和 Bard 等现代对话语言模型的成功的关键驱动因素之一。通过使用强化学习（RL）进行训练，语言模型可以优化用于复杂的序列级目标 —— 使用传统的监督式微调时，这些目标不是轻易可微的。

06

每日论文速递 | Google提出PERL：将PEFT与RLHF结合起来

摘要：从人类反馈中强化学习（RLHF）已被证明是将预训练的大型语言模型（LLM）与人类偏好相匹配的有效方法。但是，使用 RLHF 训练模型的计算成本很高，而且整个过程也很复杂。在这项工作中，我们研究的 RLHF 是使用 Hu 等人[2021]提出的参数高效的低库自适应（Low-Rank Adaptation，LoRA）方法来训练底层模型的。我们研究了 "参数高效强化学习"（PERL）的设置，其中我们使用 LoRA 进行奖励模型训练和强化学习。我们比较了 PERL 和传统微调（完全微调）在 7 个基准（包括 2 个奖励建模和强化学习的新数据集）中的不同配置。我们发现，PERL 的性能与传统的 RLHF 设置相当，同时训练速度更快，占用内存更少。这使得 RLHF 的高性能得以实现，同时减少了限制其作为大型语言模型对齐技术的采用的计算负担。我们还发布了两个新颖的向上/向下偏好数据集："Taskmaster Coffee "和 "Taskmaster Ticketing"，以促进围绕 RLHF 的研究。

01

每日论文速递 | ALARM:通过分级Reward对齐LLM

摘要：我们介绍了 ALaRM，它是第一个在人类反馈强化学习（RLHF）中模拟分层奖励的框架，旨在增强大语言模型（LLM）与人类偏好的一致性。该框架通过将整体奖励与特定方面的奖励整合在一起，解决了当前对齐方法的局限性，这些方法往往难以应对人类监督信号的不一致性和稀缺性。这种整合能更精确、更一致地指导语言模型实现预期结果，尤其是在复杂、开放的文本生成任务中。通过采用一种基于一致性过滤和组合多种奖励的方法，该框架提供了一种可靠的机制来改善模型的一致性。我们在长式问题解答和机器翻译任务中应用 gpt-3.5-turbo 进行成对比较，验证了我们的方法，并展示了与现有基线相比的改进。我们的工作强调了分层奖励建模在改进 LLM 训练过程以改善人类偏好对齐方面的有效性。

01

仅靠开源数据复刻出LLaMA3指令学习效果，在线迭代RLHF全流程解决方案来了

本文作者熊伟是伊利诺伊香槟分校的在读博士生，其导师为 Tong Zhang 与 Nan Jiang。他的主要研究方向是 RLHF 与机器学习理论。邮箱: wx13@illinois.edu

01

Stable Video Diffusion: 将潜在视频扩散模型扩展到大型数据集

在图像生成模型技术的推动下，视频生成模型在研究和应用领域取得了显著进展。这些模型通常通过从头开始训练或对预训练图像模型插入额外的时间层进行微调来实现。训练通常在混合的图像和视频数据集上进行。尽管视频建模的改进研究主要关注空间和时间层的排列方式，但先前的工作没有探究数据选择的影响。然而，训练数据分布对生成模型的影响是不可忽视的。此外，对于生成式图像建模，已经知道在大型和多样化的数据集上进行预训练，然后在小型但质量更高的数据集上进行微调，可以显著提高性能。然而，之前的视频建模方法往往借鉴了来自图像领域的技术，而对于数据和训练策略的影响，即在低分辨率视频上进行预训练再在高质量数据集上微调，还需要进一步研究。

01

DeepMind新研究：ReST让大模型与人类偏好对齐，比在线RLHF更有效

这几个月以来，我们已经见证了大型语言模型（LLM）在生成高质量文本和解决众多语言任务方面出色的能力。然而，LLM 又面临这样一个困境，即产生的输出很大程度上与人类偏好并不一致。如果没有适当的对齐，语言模型可能输出不安全的内容。此外，对齐 LLM 还有助于改善下游任务。

02

SIGIR2022 | UCCR: 以用户为中心的对话推荐系统

本文介绍被CCF A类会议SIGIR2022接收的以用户为中心的对话推荐系统的论文。该论文从推荐系统的角度重新审视了现有的对话推荐工作，发现现有方法关注于当前会话的自然语言理解，而忽略了推荐任务中最核心的目标：用户。现有方法本质上当前会话的建模，而忽略了用户建模。而本文发现用户历史会话和相似用户信息也可以很好地辅助用户兴趣建模，特别是在用户当前会话信息较少（冷启动）的场景下效果更佳。

02

RLHF中的「RL」是必需的吗？有人用二进制交叉熵直接微调LLM，效果更好

近来，在大型数据集上训练的无监督语言模型已经获得了令人惊讶的能力。然而，这些模型是在具有各种目标、优先事项和技能集的人类生成的数据上训练的，其中一些目标和技能设定未必希望被模仿。

02

普林斯顿博士生高天宇指令微调进展速览：数据、算法和评估

图源：https://twitter.com/gaotianyu1350/status/1731651192026247435

01

提升开源LLMs推理能力！清华 | 构建高质量对齐数据集，公布「 Eurus」系列模型

为了提升开源大模型（LLMs）的复杂推理能力，缩小与专有模型之间的差距。本文作者构建了一个大规模、高质量对齐数据集ULTRAINTERACT，它包含了多样化的指令和偏好树结构。作者基于该数据集训练得到了Eurus系列模型，实验表明，模型在数学解答、代码生成和逻辑推理等多种测试基准测试集上取得了开源模型中的SOTA。

01

24小时内、200美元复制RLHF过程，斯坦福开源「羊驼农场」模拟器

机器之心报道编辑：小舟、马梓文平替不止模型，RLHF也有平替了。 2 月底，Meta 开源了一个大模型系列 LLaMA（直译为羊驼），参数量从 70 亿到 650 亿不等，被称为 Meta 版 ChatGPT 的雏形。之后斯坦福大学、加州大学伯克利分校等机构纷纷在 LLaMA 的基础上进行「二创」，陆续推出了 Alpaca、Vicuna 等多个开源大模型，一时间「羊驼」成为 AI 圈顶流。开源社区构建的这些类 ChatGPT 模型迭代速度非常快，并且可定制性很强，被称为 ChatGPT 的开源平替。然

02

XCon 2020：绿盟科技带您聚焦堆管理内核池和智能威胁推荐引擎（附议题胶片）

2020年的安全焦点信息安全技术峰会（XCon2020）于8月19日至20日在云端举行。作为国内为数不多的“硬核“安全技术交流平台，XCon从2002年创办至今，从稚嫩迈向成熟的同时，也在努力坚持自己的初心。

03

深挖RLHF潜力，复旦语言和视觉团队创新奖励模型优化，让大模型更对齐

继第一份大模型对齐技术报告（Secrets of RLHF in Large Language Models Part I）获 NeurIPS 2023 workshop best paper 后，第二份报告强势归来，复旦语言和视觉团队联合推出的第二份报告将进入这一领域更深层的探索和优化之旅。在首份报告中，复旦团队揭示了 RLHF 在大语言模型中的基本框架，并深入分析了 PPO 算法的内部机制，特别是 PPO-max 的高级版本在策略模型训练稳定性中的关键作用。

01

教会羊驼说话：Instruction Tuning的最新进展

大型语言模型（LLM），凭借其数十亿的参数和数万亿token的庞大训练数据，展现了强大的功能。为了成为一种全能的任务解决工具，LLM必须学会根据用户指令作出连贯且有益的回应，而不仅仅是重复网络上的语言模式。基于此，开放式指令调整open-ended instruction tuning[1]应运而生。这种方法对LLM进行微调，使其能够按照用户的指令作出有用、诚实和无害的回应。随着ChatGPT取得巨大成功，人们对这种方法的兴趣日益浓厚。开放式指令调整通常包括两个阶段：

02

《机器学习》-- 第一章

机器学习是这样一门学科，它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能,在计算机系统中，“经验”通常以“数据”形式存在，因此，机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型” (model)的算法，即“学习算法” (learning algorithm)。有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型；在面对新的情况时(例如看到一个没剖开的西瓜)，模型会给我们提供相应的判断(例如好瓜)。如果说计算机科学是研究关于“算法”的学问，那么类似的，可以说机器学习是研究关于“学习算法”的学问。

03

对话推荐系统的进展与五个关键挑战

推荐系统旨在从用户的交互历史识别出用户的偏好，目前已经在工业界得到广泛应用。但是传统静态推荐模型难以解决两个重要的问题。1，用户到底喜欢什么？2，为什么用户喜欢一个物品？因为静态的推荐模型缺乏用户的实时反馈和显式指导。

02

大模型社区再掀波澜，Meta重磅开源LLAMA-2，性能升级可商用

Meta于北京时间 7 月 19 日凌晨开源了 LLaMA 的升级版：LLaMA-2，7B 到 70B 三种大小的模型全开放并且可免费商用。我们一起快速看一下新升级的 LLaMA-2 都有哪些令人激动的新特性吧。

02

<机器学习>西瓜书,读书笔记

机器学习的发展阶段 1:推荐书目:周志华<机器学习西瓜书>,李航教授<统计学习方法>,这两本书都用简单的方式介绍了一批重要并且常用的机器学习算法机器学习所发展的几个重要的阶段: 1符号学习,在人工智能发展的早期,机器学习的技术内涵基本都是符号学习,转折点发现在二十世纪九十年代,统计机器学习的出现,最近几年的人工智能在很大程度上都集中在与统计学和大数据,并且很多的科学家都相信,未来的机器学习的未来都将要转向更加基本的认知科学研究,但是这将需要更长的时间进行探索. 2:统计机器学习并不会一帆风顺,统计机器学习

09

Tailored Visions:利用个性化提示重写增强文本到图像生成

当前，我们正在通过自监督学习的方式来训练越来越强大的基础模型。这些大型预训练模型(LPM)充当高效的压缩器，压缩大量互联网数据。这种压缩使得我们可以通过自然语言描述方便地提取这些模型中编码的知识。尽管还处于起步阶段，但这种方法显示出超越传统搜索引擎的潜力，成为知识和信息获取的优质来源。与改进搜索引擎的查询类似，提供给LPM的提示(Prompt)也必须精心设计。然而，与传统搜索引擎相比，提示的复杂性、模型响应的不可预测性带来了独特的挑战。为了理解LPM如何对各种提示做出反应，一些研究检验了重写提示以提高特异性的可行性。然而，在无法访问用户个人数据和行为的情况下，定制提示以准确满足用户的需求仍然具有挑战性。

01

每日论文速递 | RLRF: 从反思反馈中不断迭代进行强化学习对齐

摘要：尽管 RLHF 在使 LLM 与人类偏好相一致方面大有可为，但它往往会导致表面上的一致，优先考虑风格上的变化，而不是改善 LLM 的下游性能。不明确的偏好可能会模糊调整模型的方向。缺乏探索会限制识别理想输出以改进模型。为了克服这些挑战，我们提出了一个新颖的框架：从反思反馈中强化学习Reinforcement Learning from Reflective Feedback （RLRF），它利用基于详细标准的细粒度反馈来提高 LLM 的核心能力。RLRF 采用自我反思机制来系统地探索和完善 LLM 的反应，然后通过 RL 算法对模型进行微调，同时对有前途的反应进行微调。我们在 "公正-评价"、"事实性 "和 "数学推理 "方面的实验证明，RLRF 的功效和变革潜力超出了表面的调整。

01

Parrot：用于文本到图像生成的帕累托最优多奖励强化学习框架

最近的工作表明，使用具有质量奖励的强化学习（RL）可以提高文本到图像（T2I）生成中生成图像的质量。然而，多个奖励的简单聚合可能会导致某些指标的过度优化和其他指标的退化，并且手动找到最佳权重具有挑战性。所以非常需要一种有效的策略来联合优化 RL 中的多种奖励以生成 T2I。

01

论文快报 | 推荐系统领域最新研究进展

在线推荐需要处理快速变化的用户偏好。深度强化学习(DRL)作为一种在与推荐系统交互过程中捕捉用户动态兴趣的有效手段，正在受到人们的关注。然而，由于状态空间大(如用户物品评分矩阵和用户档案)、动作空间大(如候选物品)和奖励稀疏，训练DRL代理具有挑战性。现有的研究鼓励实施者通过经验重放(ER)从过去的经验中学习。然而他们不能很好地适应在线推荐系统的复杂环境，而且不能根据过去的经验来确定最佳策略。为了解决这些问题，作者设计了一个新的状态感知经验重放模型，该模型使用位置敏感哈希将高维数据映射到低维表示，并使用优先奖励驱动策略以更高的机会重放更有价值的经验。本文的模型可以选择最相关和最显著的经验，并推荐策略最优的代理。在三个在线仿真平台上的实验证明了该模型的可行性和优越性。

03

Zephyr模型详解

Zephyr利用dDPO，显著改善了意图对齐和AI反馈(AIF)偏好数据，该方法遵循与InstructGPT相似的步骤。

03

用户意图对齐，无需人工标注，Zephyr-7B 超越 Llama2-Chat-70B

该研究目标是创建一个与用户意图更符合的小型语言模型。通过应用蒸馏监督微调(distilled supervised fine-tuning, dSFT)和蒸馏直接偏好优化(distilled direct preference optimization, dDPO)以及利用AI反馈(AI Feedback, AIF)的偏好数据，研究者成功提升了模型的任务准确性和意图对齐度。ZEPHYR-7B模型以7B参数在聊天基准测试中创立了新标准，无需人工注释，且在MT-Bench测试中超过了之前的模型。此方法的优势包括较短的训练时间和无需额外采样，为开放大型语言模型(LLMs)的发展和微调提供了新方向。同时，研究未考虑模型安全性如可能产生有害输出等问题。

02

大数据–商品推荐系统介绍（上）

为了解决信息过载和用户无明确需求的问题，找到用户感兴趣的物品，才有了个性化推荐系统。

02

CMS在DXP中的核心作用

DXP（Digital Experience Platform）是一种集成多个数字化工具和技术的平台，旨在帮助企业提供全面、一体化的数字用户体验。DXP 提供了一个中心化的环境，使企业能够管理、交互和交付数字内容，以满足用户的需求。

01

AI生图可“量身定制”了，华为&清华联手打造个性化多模态生成方法PMG

苹果OpenAI官宣合作，GPT-4o加持Siri，让AI个性化生成赛道热度飙升。

01

走进大数据应用！！——电商实战

引言：大数据概念从21世纪初产生到被热炒至今只有几年时间。大数据的概念已逐渐被大众了解，简单地说，大数据就是一种获取大量有效的数据，并进行管理、分析从而得到某种结论的手段。但大部分人仅了解大数据的基本概念，却并不清楚其是如何应用的。本文以国内外企业为例，着重介绍大数据在电商领域的应用，希望为其更广阔的应用提供一些思路。　　【未央研究原创】　　1一、电商发展的现状　　近十年是电子商务在中国飞跃发展的十年，据艾瑞研究显示，2014年我国B2C,C2C市场已突破万亿并仍以20%的速度增长，B2C

06

MongoDB实战面试指南：常见问题一网打尽

答案：MongoDB是一个基于文档的NoSQL数据库，它使用BSON（一种类似JSON的二进制格式）来存储数据。与关系型数据库相比，MongoDB没有固定的数据模式，支持非结构化数据的存储，且水平扩展性强。MongoDB更适合于需要快速迭代开发、数据模型经常变动的应用场景。

01

推荐系统系列之隐语义模型

一、隐语义模型的基本思想隐语义模型是近年来推荐系统领域较为热门的话题，它主要是根据隐含特征将用户与物品联系起来。现从简单例子出发介绍隐语义模型的基本思想。假设用户A喜欢《数据挖掘导论》，用户B喜欢《三个火枪手》，现在小编要对用户A和用户B推荐其他书籍。基于 UserCF(基于用户的协同过滤)，找到与他们偏好相似的用户，将相似用户偏好的书籍推荐给他们；基于ItemCF(基于物品的协同过滤)，找到与他们当前偏好书籍相似的其他书籍，推荐给他们。其实还有一种思路，就是根据用户的当前偏好信息，得到用户的兴趣偏

03

英伟达开源3400亿巨兽，98%合成数据训出最强开源通用模型！性能对标GPT-4o

它全新发布的Nemotron-4 340B，是一系列具有开创意义的开源模型，有可能彻底改变训练LLM的合成数据生成方式！

01

KDD 2023 | 美团技术团队精选论文解读

本文精选了美团技术团队被KDD 2023收录的7篇论文进行解读，论文覆盖了Feed流推荐、多模态数据、实例分割、用户意图预测等多个方向。这些论文也是美团技术团队与国内多所高校、科研机构合作的成果。希望给从事相关研究工作的同学带来一些启发或者帮助。

02

2020年推荐系统工程师炼丹手册

本文不扯蛋，就扯扯这2020年顶会必看的推荐系统的论文 & 其摘要。如有兴趣炼丹提升自己开发推荐系统效果的，可以持续关注我们的公众号！我们会每周更新一到多篇顶会Paper的阅读 & 评论或者福利 Code复现，助我们的炼丹师练出顶级“丹药”。

04

【机器学习】一、机器学习概述与模型的评估、选择

阿瑟.萨缪尔Arthur Samuel,1952年研制了一个具有自学习能力的西洋跳棋程序，1956年应约翰.麦卡锡John McCarthy（人工智能之父）之邀，在标志着人工智能学科诞生的达特茅斯会议上介绍这项工作。他发明了“机器学习”这个词，将其定义为“不显示编程地赋予计算机能力的研究领域”。

02

AI＋云计算＝更好的企业运营？

不久前，国内领先中立云计算服务商UCloud和人工智能技术与服务提供商第四范式，联手推出的“第四范式·先知”UCloud专属公有云版本，引起了业界的广泛关注。在极高默契度的配合下，双方团队再度联手推出部署于UCloud云平台的“个性化推荐引擎”，并将于近期正式上线。个性化推荐引擎是基于“第四范式·先知”平台和其他专利技术研发的一站式推荐系统解决方案产品，集推荐物料管理、机器学习训练日志生成、推荐召回和触发、推荐内容机器学习排序、推荐列表生成和管理等功能于一体。个性化推荐引擎在与UCloud云平台深度结合

基于生成模型的推荐系统综述 (Gen-RecSys)

TLDR: 本篇综述旨在调研生成式推荐模型(Gen-RecSys)的主要进展，包括：交互驱动生成模型的基本概述；大型语言模型(LLM)在生成式推荐、检索和会话推荐中的应用；推荐系统中处理和生成图像视频内容的多模态模型的整合。本文以整体视角讨论了Gen-RecSys的影响和危害，并指出了其面临的挑战。

01

SIGIR 2022 | 当多层级遇到多兴趣：快手联合武汉大学提出用于序列推荐的多粒度神经模型

机器之心专栏机器之心编辑部来自快手和武汉大学的研究者通过结合多兴趣学习和多层级图卷积聚合提出了一种多粒度神经模型，显著增强了精确学习用户复杂行为的能力，对用户不同层级下多种兴趣的细粒度建模为序列推荐领域的前沿研究拓宽了方向。该研究已被今年的 SIGIR 会议录取为长论文。随着大众获取信息方式的移动化和碎片化，短视频分享平台（如快手、抖音）逐渐成为人们生活中获取信息和休闲娱乐的重要渠道。不断突破记录的 DAU 一方面伴随着巨大的商业价值，另一方面也给千人千面的推荐算法带来巨大的挑战。在快手单列的流式推

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭