增加产品曝光率的大型语言模型操作
利用大型语言模型(LLMs)在优化算法领域中的潜力,我们将它们集成到 STNWeb 中,通过生成详细的书面报告和自动生成的图表,提升用户体验,减少研究社区对该工具的采用障碍。同时,我们的方法还可以扩展到优化领域的其他工具,展示了 LLMs 在这一领域的多样性和潜力。
Feb, 2024
最近,大型语言模型对推荐系统的进展起到了重要作用,但是在系统蓬勃发展的同时,推荐系统容易受到安全威胁,我们揭示了引入大型语言模型到推荐模型中会导致新的安全漏洞,并且证明了攻击者可以通过改变物品的文本内容来显著提高其曝光度,而不影响模型的训练过程,且攻击方法具有隐蔽性,难以被用户和平台检测到。我们通过对四种主流基于大型语言模型的推荐模型进行全面实验证明了我们方法的高效性和隐蔽性。我们的研究揭示了基于大型语言模型的推荐系统存在重大的安全漏洞,并为未来的保护这些系统的研究开辟了道路。
Feb, 2024
将大型语言模型与搜索引擎服务相结合,为服务计算领域带来重大变革,本文深入研究了如何整合大型语言模型和搜索引擎以互惠互利。重点关注两个主要方面:使用搜索引擎改进大型语言模型 (Search4LLM) 和使用大型语言模型增强搜索引擎功能 (LLM4Search)。
Jun, 2024
本研究旨在重新思考大型语言模型(LLMs)时代的 STS 和 NLI。我们首先评估五个数据集上的临床 / 生物医学 STS 和 NLI 的准确性,然后评估 LLM 预测置信度及其捕捉人类集体意见的能力。我们发现 LLMs 可能能够为特定主题提供个性化描述,或以不同语调生成语义上相似的内容,但目前的 LLMs 很难做出个性化的判断或决策。我们进一步发现,零样本 ChatGPT 在临床和生物医学 STS/NLI 上的准确性与 Fine-tuned BERT-base 相当,但采样存在较大的变异性,集成结果最好。
Sep, 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
通过探索性研究,我们发现 LLMs 中的位置偏差会影响推荐系统的性能,因此我们提出了一个贝叶斯概率框架来校准 LLMs 的不稳定性,并增强推荐性能,实验证明了框架的有效性。
Dec, 2023
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
通过与用户与搜索引擎的交互历史相关的上下文,我们提出了一种新颖且通用的方法,用于个性化输出,这对于理解用户当前的搜索背景以及他们历史上知道和关心的内容是必要的。我们验证了我们的方法在上下文查询建议的任务上优于几个其他 LLM 基准方法,生成了在上下文中更相关、个性化和有用的查询建议。
Nov, 2023
通过使用离线总结和运行时检索,我们提出了一种新颖的基于总结的方法,扩展了基于检索的个性化,以实现更好的实时系统性能,并在实际约束下取得了更好的个性化性能。
Oct, 2023