运用 DevOps 实践于机器学习系统，被称为 MLOps，其目的是建立不同开源工具之间的连接，构建一个能自动执行步骤来构建数据集、训练机器学习模型并将模型部署到生产环境的流水线，并存储不同版本的模型和数据集。本文提出了一个基于上下文信息（例如数据性质、数据类型）的推荐系统框架，用于为机器学习系统的操作化推荐相关的技术栈，通过对四种不同方法的调查，即基于规则的、随机森林、决策树和 K 最近邻，以准确率、召回率和 F1 分数进行评估，其中随机森林的 F1 分数最高，为 0.66。

Feb, 2024

使用大型语言模型进行用户交互的研究，结合机器学习和交互设计来改善推荐系统和操作系统的用户体验，以提供更智能和个性化的服务，满足用户需求并促进产品的不断改进和优化。

Feb, 2024

这篇论文研究了机器学习运营（MLOps）方法的重要性，以及如何选择最佳的工具结构来简化软件开发，并评估了各种 MLOps 方法的特性和可操作性。作者通过评估 22 篇相关论文发现，目前缺乏完全有效的 MLOps 方法，这些方法可以在不涉及人工干预的情况下实现自我调节的进步。

Aug, 2023

通过将用户反馈环路与基于大型语言模型的优化器相连接，我们提出了一种无需训练的优化生成式推荐器的方法，该方法不仅能够利用已知高度参与的生成内容，还能主动探索和发现隐藏的人群偏好以提高推荐质量。我们在两个领域（电子商务和一般知识）上评估了我们的方法，并使用点击率（CTR）对用户反馈进行建模。实验表明，我们的基于大型语言模型的探索 - 开发方法可以迭代地改进推荐，且不断提高 CTR。消融分析表明，生成式探索是学习用户偏好的关键，避免了贪婪的仅开发方法的陷阱。人类评估强烈支持我们的定量发现。

Jun, 2024

通过使用预训练的大型语言模型对用户评论进行编码并生成个性化推荐，我们提出了 LLMRS，一种基于 LLM 的零样本推荐系统。在真实世界的 Amazon 产品评论数据集上进行实验，结果表明 LLMRS 优于基于排名的基线模型，成功从产品评论中捕捉到有意义的信息，从而提供更可靠的推荐。

Jan, 2024

本论文对基于大型语言模型（LLMs）的推荐系统进行了全面综述，总结了 LLMs 在推荐系统中的应用方法，包括预训练、微调和提示，并讨论了未来方向。

Jul, 2023

电子商务和网络应用的蓬勃发展使得推荐系统成为我们日常生活中重要的一部分，但是现有基于深度神经网络的方法在理解用户兴趣、捕捉文本信息以及推广到不同场景等方面仍存在限制。近期的研究借助大型语言模型的崛起旨在改进推荐系统，本文系统回顾了已有的大型语言模型驱动的推荐系统，介绍了使用大型语言模型作为特征编码器学习用户和物品表示的方法以及在预训练、微调和提示等三个范式下的最新进展，并对这一新兴领域的未来方向进行了全面的讨论。

Mar, 2024

通过利用大型语言模型（LLMs）模拟人类行为，本研究提出了一个综合框架，用于训练基于强化学习（RL）的推荐系统，并提供了深入的消融研究，通过电影和书籍推荐实验证明了其有效性。

Jun, 2024

通过使用 LLMs 作为优化器找到最大化任务准确性的指令，Optimization by PROmpting (OPRO) 方法在相对小规模的 LLMs 上展现了有限的有效性，我们建议未来的自动提示工程要考虑模型能力和计算成本，并针对小规模 LLMs 使用明确概述目标和方法的直接指令作为鲁棒的提示基准，以确保正在进行的研究中的高效有效的提示工程。

May, 2024

本文综述了基于应用方向的大语言模型在推荐系统中的应用，从‘何处’和‘如何’两方面总结了现有研究工作，并讨论了调整大语言模型到推荐系统中面临的关键挑战和未来前景。

Jun, 2023