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

相关性表的列到行中

是一种数据转换操作，用于将列式存储的相关性数据转换为行式存储的形式。在相关性分析中，通常会计算不同变量之间的相关性系数，例如皮尔逊相关系数或斯皮尔曼相关系数。这些相关系数通常以矩阵的形式呈现，其中每一行和每一列代表一个变量，而矩阵中的每个元素表示对应变量之间的相关性。

将相关性表的列到行中可以使数据更易于理解和分析。通过转换为行式存储，可以将相关性数据以更直观的方式展示出来，每一行代表一个变量，每一列代表与该变量相关的其他变量，而相关系数则作为对应的值。这种形式的数据结构更适合进行数据挖掘、机器学习和统计分析等任务。

在云计算领域，相关性表的列到行中的操作通常涉及大规模数据的处理和分析。为了实现这一操作，可以使用云原生的数据处理和分析服务，例如腾讯云的数据计算服务TencentDB、数据仓库服务TencentDB for TDSQL、大数据分析服务Tencent Cloud DataWorks等。这些服务提供了强大的数据处理和分析能力，可以帮助用户高效地进行相关性分析和数据转换操作。

参考链接：

相关搜索:在python中创建DataFrame的透视表(带列到行)T-SQL中的列到行 Pivot_longer:列到行中从列到行的Excel数据两个数据集之间的列到列的相关性？在带有字典的pandas中从列到行？1个表的SQL联接列到另一个表的行从blob列到Oracle表的XLSX 如何将TukeyHSD中的结果排列到表中？从列到行的对的精细分组 Pandas列到行的转换不起作用吗？从列到行的Python时间系列日期查找dataframe中的行与python pandas的相关性如何在python中获取表之间的相关性？多个逗号分隔的字符串列到多个行如何在excel中进行列到行的操作如何在SQL中取消透视？(SAP HANA) (从列到行)如何在Pandas中设置列到行来绘制时间序列？根据表行中的文本单击表行中的链接设置表中的行

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【论文】赛尔原创 | EMNLP 2019基于知识库检索器的实体一致性端到端任务型对话系统

任务型对话系统可以用来帮助用户完成订购机票、餐厅预订等业务，越来越受到研究者的关注。近几年，由于序列到序列(sequence-to-sequence)模型和记忆网络(memory-network)的强大建模能力，一些工作直接将任务型对话建模为端到端任务型对话任务。如图一所示，输入输出定义如下：

03

聊聊Transformer和GPT模型

本文基于《生成式人工智能》一书阅读摘要。感兴趣的可以去看看原文。可以说，Transformer已经成为深度学习和深度神经网络技术进步的最亮眼成果之一。Transformer能够催生出像ChatGPT这样的最新人工智能应用成果。

02

Power Pivot关系理论的重中之重——关系模型的进一步了解

我们可以看下，同样的3张表，但是关系是却不一样，导致之后的操作也会不同。图1和图3是链式模型，图2是星型关系。图1的链式是从左1开始，而图3是从右1开始。

03

基因组深度学习模型很难很好地解释个体转录组的变异

今天为大家介绍的是来自Nilah Ioannidis的一篇讨论深度学习模型在基因序列应用的论文。基因组深度学习模型可以直接从DNA序列预测全基因组的表观遗传特征和基因表达水平。尽管当前的模型在从参考基因组预测不同细胞类型的基因表达水平方面表现良好，但它们在解释个体间由于顺式调控基因变异而导致的表达变异能力仍然未被充分探索。在这里，作者对四种最先进的模型进行了个体基因组与转录组数据配对的评估，发现在解释个体间表达变异方面的性能有限。

03

复述（paraphrasing）：一种简单暴力的预训练方式

Mike Lewis, Marjan Ghazvininejad, Gargi Ghosh, Armen Aghajanyan, Sida Wang, Luke Zettlemoyer

02

学界 | 基于Apache MXNet，亚马逊NMT开源框架Sockeye论文介绍

选自arXiv 作者：Felix Hieber等机器之心编译参与：黄小天、李亚洲、刘晓坤今年 7 月份，作为 MXNet 的支持者，亚马逊开源了自己的 NMT 框架 Sockeye。近日，亚马逊在 arXiv 放出了介绍 Sockeye 的论文，让我们能更细致的了解该开源工具的技术细节。机器之心对此论文做了摘要介绍，更多详细内容请查看原论文。过去两年深度学习革命为机器翻译带来了快速而巨大的变化。相较于基于短语的传统系统，基于神经网络的新模型可以持续地为用户提供更高质量的翻译。神经机器翻译（NMT）同

罕见！苹果开源图片编辑神器MGIE，要上iPhone?

最近一段时间，AI 在图片编辑这一应用上取得了不小的进展。一方面，在 LLM 的基础上，多模态大模型（MLLM）可以自然地将图像视为输入，并提供视觉感知响应。另一方面，基于指令的编辑技术可以不依赖于详细描述或区域掩码，而是允许人类下达指令，直接表达如何编辑以及编辑图像的哪个方面。这种方法极具实用性，因为这种引导更符合人类的直觉。

01

微软研究院开源DialoGPT：「你有什么梦想？」「让世界充满机器人」

DialoGPT 是一种用于对话响应生成的可调节式千兆词级神经网络模型，其训练基于 Reddit 数据。该研究成果的源代码已经开源，另外他们也发布了一个大规模预训练模型。

03

手把手教你用 Python 实现针对时间序列预测的特征选择

AI 研习社按：本文源自美国机器学习专家 Jason Brownlee 的博客，AI 研习社编译。要将机器学习算法应用于时间序列数据，需要特征工程的帮助。例如，单变量的时间序列数据集由一系列观察结果组成，它们必须被转换成输入和输出特征，才能用于监督性学习算法。但这里有一个问题：针对每个时间序列问题，你可以处理的特征类型和数量，却并没有明确的限制。当然，古典的时间序列分析工具（如相关图correlogram）可以帮助评估滞后变量（lag variables），但并不能直接帮助开发者对其他类型的特征进

08

深度学习遇见代码搜索，一篇论文概览神经代码搜索

论文地址：https://arxiv.org/pdf/1905.03813v3.pdf

04

SPSS数据分析之列联分析与卡方检验、方差分析与LSD方法【操作详解】

（5）还会出现一个卡方检验的检验表，此处的渐进显著性未0，表示卡方检验结果是拒绝原假设（原假设：行与列不相关），也就是说行与列是有一定相关性的。

03

图解自注意力机制(Self-Attention)

传统的Attention机制发生在Target的元素和Source中的所有元素之间。

01

综述 | 解析生成技术在时空数据挖掘中的应用

本文介绍一篇来自香港大学、北京大学、南洋理工大学、清华大学等8所学校及企业联合发布的综述工作。该综述考虑到时空数据的显著增长和多样性，重点关注将生成技术整合到时空数据挖掘中。随着RNNs、CNNs和其他非生成技术的进步，研究人员探索了它们在捕获时空数据内部的时间和空间依赖关系中的应用。然而，诸如LLMs、SSL、Seq2Seq和扩散模型等生成技术的出现，为进一步提升时空数据挖掘提供了新的可能性。

01

Transformer-CNN：用于 QSAR 建模和解释的先进工具

今天给大家介绍的是Journal of Cheminformatics上的文章 " Transformer-CNN: Swiss knife for QSAR modeling and interpretation"

02

如何在Ubuntu 16.04上使用MySQL全文搜索提高搜索效果

全文搜索（FTS）是搜索引擎用于在数据库中查找结果的技术。您可以使用它来为商店、搜索引擎、报纸等网站上的搜索结果提供支持。

04

文本挖掘实战：看看国外人们在冠状病毒隔离期间在家里做什么？

本文通过文本的挖掘，对人们在冠状病毒锁定期间正在做什么以及他们的感觉进行的探索性和情感分析

06

Swin-Transformer又又又下一城 | 看SwinTrack目标跟踪领域独领风骚

最近，Transformer在视觉任务方面取得了重大进展。将Transformer架构引入视觉问题的尝试大致可以分为两种类型:

05

【序列到序列学习】生成古诗词

生成古诗词序列到序列学习实现两个甚至是多个不定长模型之间的映射，有着广泛的应用，包括：机器翻译、智能对话与问答、广告创意语料生成、自动编码（如金融画像编码）、判断多个文本串之间的语义相关性等。在序列到序列学习任务中，我们首先以机器翻译任务为例，提供了多种改进模型供大家学习和使用。包括：不带注意力机制的序列到序列映射模型，这一模型是所有序列到序列学习模型的基础；使用Scheduled Sampling改善RNN模型在生成任务中的错误累积问题；带外部记忆机制的神经机器翻译，通过增强神经网络的记忆能力，来完

06

三藏一面：为什么要用 NoSQL

这家公司的真名就叫做“三藏”，和我的名字“悟空”很契合，唐三藏给悟空面试，合情合理，还带有一丝趣味，所以我就去面试了。三藏公司是一家小厂，技术负责人面的我，欲知面试结果，文末揭晓。

02

MySQL 模糊查询再也不用like+%了

点击上方“芋道源码”，选择“设为星标” 管她前浪，还是后浪？能浪的浪，才是好浪！每天 10:33 更新文章，每天掉亿点点头发... 源码精品专栏原创 | Java 2021 超神之路，很肝~ 中文详细注释的开源项目 RPC 框架 Dubbo 源码解析网络应用框架 Netty 源码解析消息中间件 RocketMQ 源码解析数据库中间件 Sharding-JDBC 和 MyCAT 源码解析作业调度中间件 Elastic-Job 源码解析分布式事务中间件 TCC-Transaction

04

原创 | 一文读懂Transformer

作者：陈之炎本文约3500字，建议阅读7分钟Transformer 是第一个完全依赖于自注意力机制来计算其输入和输出的表示的转换模型。主流的序列到序列模型是基于编码器-解码器的循环或卷积神经网络，注意力机制的提出，优化了编解码器的性能，从而使得网络性能达到最优。利用注意力机制构建出新的网络架构Transformer, 完胜了循环或卷积神经网络。Transformer 是第一个完全依赖于自注意力机制来计算其输入和输出的表示的转换模型。Transformer可以并行训练，训练时间更短。 1 Transfor

01

MySQL模糊查询再也用不着 like+% 了！

点击上方蓝色字体，选择“设为星标” 回复”学习资料“获取学习宝典我们都知道 InnoDB 在模糊查询数据时使用 "%xx" 会导致索引失效，但有时需求就是如此，类似这样的需求还有很多，例如，搜索引擎需要根基用户数据的关键字进行全文查找，电子商务网站需要根据用户的查询条件，在可能需要在商品的详细介绍中进行查找，这些都不是B+树索引能很好完成的工作。通过数值比较，范围过滤等就可以完成绝大多数我们需要的查询了。但是，如果希望通过关键字的匹配来进行查询过滤，那么就需要基于相似度的查询，而不是原来的精确数

03

MySQL 模糊查询再也不用like+%了

我们都知道 InnoDB 在模糊查询数据时使用 "%xx" 会导致索引失效，但有时需求就是如此，类似这样的需求还有很多。

01

Mysql5.7——分表和分区

mysq中有一种机制是表锁定和行锁定，是为了保证数据的完整性。表锁定表示你们都不能对这张表进行操作，必须等我对表操作完才行。行锁定也一样，别的sql必须等我对这条数据操作完了，才能对这条数据进行操作。当出现这种情况时，我们可以考虑分表或分区。

06

MLP4Rec：小小的MLP也有大能量

自注意力模型通过捕获用户-商品交互之间的序列依赖关系，在序列推荐系统中实现了最佳性能。但是，它们依赖于位置embedding来保留顺序关系，这可能会破坏商品embedding的语义。大多数现有工作都假设这种顺序依赖性仅存在于商品embedding中，而忽略了它们在商品特征中的存在。本文基于 MLP 的架构的最新进展提出了一种新颖的序列推荐系统 (MLP4Rec)，该方法对序列中商品的顺序敏感，设计一种三向融合方案，连贯地捕获顺序、跨通道和跨特征相关性。

05

李航NSR论文：深度学习NLP的现有优势与未来挑战

选自NSR 机器之心编译参与：路雪、黄小天近日，AI 技术大牛李航博士（已加入今日头条）在《国家科学评论》（National Science Review，NSR）上发表了一篇题为《Deep Learning for Natural Language Processing: Advantages and Challenges》的论文，扼要地探讨了深度学习 NLP 的当前现状与未来机遇。作者认为深度学习可通过与强化学习、推断等技术的结合，进一步扩展 NLP 的边界。论文链接：https://academ

07

吴恩达高徒语音专家Awni Hannun：序列模型Attention Model中的问题与挑战

【导读】注意力模型（Attention Model）被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，是深度学习技术中最值得关注与深入了解的核心技术之一。本文以序列模型训练为例，深入浅出地介绍了注意力机制在应用中的两个重要问题：一是解决训练和生成时输入数据分布不一致；二是训练效率，并给出了相应的解决方法。作者是Awni Hannun，斯坦福大学在读博士，师从吴恩达，曾经休学两年跟随导师吴恩达在百度硅谷实验室工作，是百度Deep Speech语音识别项目主要参与者。专知内容组整理编

06

实现基于股票收盘价的时间序列的统计（用Python实现）

时间序列是按时间顺序的一组真实的数字，比如股票的交易数据。通过分析时间序列，能挖掘出这组序列背后包含的规律，从而有效地预测未来的数据。在这部分里，将讲述基于时间序列的常用统计方法。

01

MySQL 模糊查询再也不用 like+% 了！

点击关注公众号，Java干货及时送达作者：沸羊羊来源：juejin.cn/post/6989871497040887845 前言我们都知道 InnoDB 在模糊查询数据时使用 "%xx" 会导致索引失效，但有时需求就是如此，类似这样的需求还有很多，例如，搜索引擎需要根基用户数据的关键字进行全文查找，电子商务网站需要根据用户的查询条件，在可能需要在商品的详细介绍中进行查找，这些都不是B+树索引能很好完成的工作。通过数值比较，范围过滤等就可以完成绝大多数我们需要的查询了。但是，如果希望通过关键字的匹配

03

QIML Insight：基于多源特征及机器学习的股票聚类模型

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。量化投资与机器学习公众号独家解读量化投资与机器学公众号 QIML Insight——深度研读系列是公众号全力打造的一档深度、前沿、高水准栏目。公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读

01

Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting(论文阅读02)

我们在两个现实世界的大规模数据集上进行了实验：（1）METR-LA此交通数据集包含从洛杉矶县高速公路上的环路检测器收集的交通信息（Jagadish等，2014）。我们选择了207个传感器，并收集了从2012年3月1日到2012年6月30日的4个月的数据进行实验。（2）PEMS-BA Y该交通数据集由加利福尼亚州运输机构（CalTrans）绩效评估系统（PeMS）收集。我们在湾区选择了325个传感器，并收集了从2017年1月1日到2017年5月31日的6个月数据进行实验

03

SQLNET：无强化学习的由自然语言生成结构化查询语句

来源：arXiv 作者：Xiaojin Xu*、Chang Liu、Dawn Song 编辑：智察（ID：Infi-inspection）文章字数：9238 预计阅读用时：12分钟摘要从自然语言中合成SQL查询语句问题是一个长期的开放性问题，并已经引起人们极大的兴趣。为了解决这个问题，实际方法是使用序列到序列风格的模型，而这种方法必然要求SQL查询序列化。因为相同的SQL查询可能具有多个等效序列化，而训练序列到序列风格的模型对从其中选择一个是敏感的，这种现象被记录为“顺序影响”问题。而现

06

使用谱聚类（spectral clustering）进行特征选择

谱聚类是一种基于图论的聚类方法，通过对样本数据的拉普拉斯矩阵的特征向量进行聚类，从而达到对样本数据聚类的目的。谱聚类可以理解为将高维空间的数据映射到低维，然后在低维空间用其它聚类算法（如KMeans）进行聚类

02

Clustering a Table - Bruce Momjian（译）

写了600 多篇博客文章后，我以为我已经掌握了cluster命令的复杂性，但似乎我还没有，所以现在让我们开始吧。

03

RAG 2.0架构详解：构建端到端检索增强生成系统

关于检索增强生成（RAG）的文章已经有很多了，如果我们能创建出可训练的检索器，或者说整个RAG可以像微调大型语言模型（LLM）那样定制化的话，那肯定能够获得更好的结果。但是当前RAG的问题在于各个子模块之间并没有完全协调，就像一个缝合怪一样，虽然能够工作但各部分并不和谐，所以我们这里介绍RAG 2.0的概念来解决这个问题。

02

NeurIPS 2021 | 字节火山与南京大学提出：可逆神经机器翻译

论文作者：郑在翔，周浩，黄书剑，陈家骏，许晶晶，李磊论文地址：https://proceedings.neurips.cc/paper/2021/file/afecc60f82be41c1b52f6705ec69e0f1-Paper.pdf论文代码：https://github.com/zhengzx-nlp/REDER 1 简介众所周知，（神经）机器翻译是一个序列到序列生成任务。标准的序列到序列生成模型类似于一个单工通信通道（在单工信道中信号传递是单向的，即只能从源端（源语言）到目标端（目标语言）；与之

01

硬货 | 分析完2017ACL论文和演讲，我发现了深度学习在NLP中的四个发展趋势

向AI转型的程序员都关注了这个号☝☝☝ 作者通过分析2017年ACL的论文，以及演讲内容，得出了四个NLP深度学习趋势： Linguistic Structure、Word Embeddings、In

04

【NSR特别专题】李航：深度学习与自然语言处理—优势和挑战「全文翻译」

编者按：《国家科学评论》于2018年1月发表“机器学习”特别专题，由周志华教授组织并撰写文章。专题内容还包括对AAAI前主席Tom Dietterich的访谈，徐宗本院士、杨强教授、朱军博士、李航博士、张坤博士和Bernhard Scholkopf等人的精彩文章。

01

人才盘点中的数据相关性分析

我们在做人力资源各项工作的目的都是为了可以支持业务的绩效，提升业务的绩效，不管是在招聘，培训，绩效等工作，但是在人力资源的工作中，我们很难直接的去和业务的绩效相关联，都是间接的支持业务的相关绩效，所以在人力资源的工作中我们一直在探索如何找出和有业务最相关的一些因素。我们从人才发展和能力维度来分析如何通过数据分析的方法来找出业务业绩最相关的那个能力。要做这个分析首先需要了解的一个概念就是“数据相关性”，所谓的数据相关性是两个变量之间的数据关系，这个数据关系分为两种正相关：Y数据随着X数据的增大而增大，系数K 是个正值负相关：Y 数据随着X的增大而减小，系数K是个负值

03

NIPS 2018 | 将RNN内存占用缩小90%：多伦多大学提出可逆循环神经网络

循环神经网络（RNN）在语音识别 [1]、语言建模 [2,3] 和机器翻译 [4,5] 等多种任务上都取得了极优的性能。然而，训练 RNN 需要大量的内存。标准的训练算法是时间截断的反向传播（TBPTT）[6,7]。该算法将输入序列划分为较短的子序列 T，然后对每个子序列进行处理，并对梯度进行反向传播。如果模型隐藏状态的大小为 H，那么 TBPTT 所需的内存是 O(T H)。

04

【序列到序列学习】使用Scheduled Sampling改善翻译质量

生成古诗词序列到序列学习实现两个甚至是多个不定长模型之间的映射，有着广泛的应用，包括：机器翻译、智能对话与问答、广告创意语料生成、自动编码（如金融画像编码）、判断多个文本串之间的语义相关性等。在序列到序列学习任务中，我们首先以机器翻译任务为例，提供了多种改进模型供大家学习和使用。包括：不带注意力机制的序列到序列映射模型，这一模型是所有序列到序列学习模型的基础；使用Scheduled Sampling改善RNN模型在生成任务中的错误累积问题；带外部记忆机制的神经机器翻译，通过增强神经网络的记忆能力，来完

05

ACL 2019 | 将带推敲解码器的增量Transformer用于文档级知识对话

本文将对 ACL2019论文《Incremental Transformer with Deliberation Decoder for Document Grounded Conversations》进行解读，这篇论文提出了一个两步解码器（推敲解码器）可以在给定文档的内容时生成上下文连贯、正确利用知识的回复。

00

MySQL 全文索引应用简明教程

本文从以下几个方面介绍下MySQL全文索引的基础知识： MySQL全文索引的几个注意事项全文索引的语法几种搜索类型的简介几种搜索类型的实例全文索引的几个注意事项搜索必须在类型为fulltext的索引列上，match中指定的列必须在fulltext中指定过仅能应用在表引擎为MyIsam类型的表中（MySQL 5.6以后也可以用在Innodb表引擎中了）仅能再char、varchar、text类型的列上面创建全文索引像普通索引一样，可以在定义表时指定，也可以在创建表后添加或者修改对于一个大数量

MySQL 之分区分表

1、为什么要分表？数据库数据越来越大，随之而来的是单个表中数据太多。以至于查询速度变慢，而且由于表的锁机制导致应用操作也搜到严重影响，出现了数据库性能瓶颈。 mysql中有一种机制是表锁定和行锁定，是为了保证数据的完整性。表锁定表示你们都不能对这张表进行操作，必须等我对表操作完才行。行锁定也一样，别的sql必须等我对这条数据操作完了，才能对这条数据进行操作。当出现这种情况时，我们可以考虑分表或分区。

02

mysql分区表_MySQL分区分表[通俗易懂]

数据库数据越来越大，随之而来的是单个表中数据太多。以至于查询速度变慢，而且由于表的锁机制导致应用操作也搜到严重影响，出现了数据库性能瓶颈。

02

【腾讯知文】任务型对话机器人简介

1 什么是任务型机器人任务型机器人指特定条件下提供信息或服务的机器人。通常情况下是为了满足带有明确目的的用户，例如查流量，查话费，订餐，订票，咨询等任务型场景。由于用户的需求较为复杂，通常情况下需分多轮互动，用户也可能在对话过程中不断修改与完善自己的需求，任务型机器人需要通过询问、澄清和确认来帮助用户明确目的。 2 任务型机器人的组成任务型机器人核心模块主要包括三部分： 1. 自然语言理解模块—— Language Understanding 2. 对话管理模块——

如何更为合适地评测推荐算法？ Top-N物品推荐算法评测设置回顾

近十年里，top-N商品推荐是隐式反馈中一个被广泛研究的课题，其目的是从大量数据中识别出用户可能偏爱的一小部分物品。

02

Python让Excel飞起来—批量进行数据分析

corr()函数默认计算的是两个变量之间的皮尔逊相关系数。该系数用于描述两个变量间线性相关性的强弱，取值范围为[-1,1]。系数为正值表示存在正相关性，为负值表示存在负相关性，为0表示不存在线性相关性。系数的绝对值越大，说明相关性越强。- 上表中第1行第2列的数值0.982321，表示的就是年销售额与年广告费投入额的皮尔逊相关系数，其余单元格中数值的含义依此类推。需要说明的是，上表中从左上角至右下角的对角线上的数值都为1，这个1其实没有什么实际意义，因为它表示的是变量自身与自身的皮尔逊相关系数,自然是1。- 从上表可以看到，年销售额与年广告费投入额、成本费用之间的皮尔逊相关系数均接近1，而与管理费用之间的皮尔逊相关系数接近0，说明年销售额与年广告费投入额、成本费用之间均存在较强的线性正相关性，而与管理费用之间基本不存在线性相关性。前面通过直接观察法得出的结论是比较准确的。- 第2行代码中的read_excel()是pandas模块中的函数，用于读取工作簿数据。3.5.2节曾简单介绍过这个函数，这里再详细介绍一下它的语法格式和常用参数的含义。- read_excel(io,sheet_name=0,header=0,names=None,index_col=None,usecols=None,squeeze=False,dtype=None)

03

有了 MySQL，为什么还要 NoSQL？

这家公司的真名就叫做“三藏”，和我的名字“悟空”很契合，唐三藏给悟空面试，合情合理，还带有一丝趣味，所以我就去面试了。三藏公司是一家小厂，技术负责人面的我，欲知面试结果，文末揭晓。

02

生成式推荐系统初探

随着 ChatGPT 的横空出世与 GPT-4 的重磅登场，生成式 AI（Generative AI）引起了前所未有的关注，基于 GPT（Generative Pre-Trained Transformer）的模型在各类 NLP 和 CV 任务上取得了惊人的效果。生成式 AI 模型可以根据训练过的数据创建新的内容、模式或解决方案，一些典型应用包括 ChatGPT、Stable Diffusion 和 DALL·E 等（封面图片来自 DALL·E）。然而，在推荐系统（RS）领域研究中，受限于推荐系统 User/Item ID 的范式，以及大多情况下为非通用、非常识知识，因而直接将基于 GPT 的模型作为推荐模型具有一定的局限性。例如，在电影、图书和音乐等领域推荐场景直接将 ChatGPT 作为推荐模型可以取得较好的效果，然而，在其他一些领域推荐场景直接利用 ChatGPT 效果有限。随着各类生成式模型层出不穷，部分研究人员开始考虑如何在 RS 中有效引入生成式 AI。本文主要关注 RS 和生成式 AI 可能存在的结合点，调研了 RecSys'23 等会议录用的若干相关工作，以及最新已公开的若干方法。

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