25-26年毕业论文开始：推荐系统的一些零散概念

相关概念

LLM4REC

LLM推荐系统

数据集

1. 用户/物品的独有信息：比如用户的id、年龄、性别、兴趣、职业；物品的id、价格/描述（商品）、封面/标题（视频或书籍）等。
2. 用户与物品之间的交互信息：比如用户对物品的评论、点赞、分享等行为

而推荐系统的核心任务，就是在充分利用这些信息的基础上，从固定的物品集合中选出当前用户最有可能感兴趣的物品，用数学形式化语言来讲，就是对于一个用户$u$和他的历史行为$U = {I_1, I_2, I_3, ……, I_n}$，预测下一步的交互行为$ I_{n+1} \in \mathcal{I} $，其中 代表所有物品（item）的集合。下面将具体介绍一些推荐系统任务中常用到的数据集。

冷启动

cold-start 冷启动就比如在抖音中新注册的账号，没有用户历史数据，所以会不知道该初始化推荐些啥。

大模型优势：“主要得益于其在预训练过程中学习到的丰富世界知识（world knowledge）。这些知识能够帮助推荐系统构建更精准、语义信息更丰富的表征，从而有效缓解传统推荐系统中长期存在的冷启动（cold-start）问题。”

长尾效应

因为items数据的分布不是均匀的，会有类似正态的分布结构，这就会有“火爆、热点”视频更容易被推荐、但一些边边角角的冷视频不容易被推荐。