




具体研究方向
1️⃣interactive Recommender Systems
a.利用大语言模型提升深度推荐系统的可解释性
b.结合推荐系统和基于大模型的对话系统,提升推荐系统的用户体验
2️⃣LLM-based Recommender Systems in Low-Resource Settings
a.利用模型压缩的方法,提升基于大模型的推荐系统的推理效率
b.探索高效对齐大语言模型与推荐系统的算法与策略
3️⃣Large Language Model for Universal UserRepresentation Learning
a.探索预训练大模型在跨平台、低资源场景下的推荐性能
b.结合大模型与序列推荐模型,构建推荐系统的foundation model
4️⃣Personalized Prompt Learning for RecommenderSystems
a.基于提示学习的推荐系统的零样本/小样本学习b.适用于推荐系统的大模型自监督学习任务
5️⃣Multimodal Recommender Systems
a.探索预训练大模型在新闻推荐中的应用
b.预训练大模型与图神经网络的结合应用在推荐系统中的应用
C.在模型中引入用户-物品-跨模态的交叉特征
6️⃣Review-based Recommendation
a.基于用户评论的表示学习,在提升稀疏数据场景下推荐性能的同时,增加模型的可解释性
创新点:
1️⃣基于大语言模型的通用用户表征学习
2️⃣基于预训练大模型的多模态推荐系统
3️⃣基于预训练大模型的多模态推荐系统
4️⃣基于用户评论的推荐系统
5️⃣基于白监督学习的序列推荐模型
6️⃣多模态图学习推荐愤型
7️⃣推荐任务中的用户长短期兴趣建模
?️辅导形式:
1V1辅导
??老师介绍:
简介:海外大厂资深算法研究专家,研究方向包括推荐系统、自然语言处理、数据挖掘等。Google scholar引用数累计1000+,带领团队在Kaggle、NeurIPS、ICCV等国际机器学习竞赛平台获得冠军六次
#推荐系统 #大模型推荐系统 #大语言模型 #预训练模型 #自监督学习 #多模态 #推荐系统论文辅导 #深度之眼 #论文辅导 #顶会顶刊
1️⃣interactive Recommender Systems
a.利用大语言模型提升深度推荐系统的可解释性
b.结合推荐系统和基于大模型的对话系统,提升推荐系统的用户体验
2️⃣LLM-based Recommender Systems in Low-Resource Settings
a.利用模型压缩的方法,提升基于大模型的推荐系统的推理效率
b.探索高效对齐大语言模型与推荐系统的算法与策略
3️⃣Large Language Model for Universal UserRepresentation Learning
a.探索预训练大模型在跨平台、低资源场景下的推荐性能
b.结合大模型与序列推荐模型,构建推荐系统的foundation model
4️⃣Personalized Prompt Learning for RecommenderSystems
a.基于提示学习的推荐系统的零样本/小样本学习b.适用于推荐系统的大模型自监督学习任务
5️⃣Multimodal Recommender Systems
a.探索预训练大模型在新闻推荐中的应用
b.预训练大模型与图神经网络的结合应用在推荐系统中的应用
C.在模型中引入用户-物品-跨模态的交叉特征
6️⃣Review-based Recommendation
a.基于用户评论的表示学习,在提升稀疏数据场景下推荐性能的同时,增加模型的可解释性
创新点:
1️⃣基于大语言模型的通用用户表征学习
2️⃣基于预训练大模型的多模态推荐系统
3️⃣基于预训练大模型的多模态推荐系统
4️⃣基于用户评论的推荐系统
5️⃣基于白监督学习的序列推荐模型
6️⃣多模态图学习推荐愤型
7️⃣推荐任务中的用户长短期兴趣建模
?️辅导形式:
1V1辅导
??老师介绍:
简介:海外大厂资深算法研究专家,研究方向包括推荐系统、自然语言处理、数据挖掘等。Google scholar引用数累计1000+,带领团队在Kaggle、NeurIPS、ICCV等国际机器学习竞赛平台获得冠军六次
#推荐系统 #大模型推荐系统 #大语言模型 #预训练模型 #自监督学习 #多模态 #推荐系统论文辅导 #深度之眼 #论文辅导 #顶会顶刊


