PRECISE 1.LLM4Rec中对于precise的定位 LLM-To-Rec范式： 以推荐系统为主导, 主要使用LLM的能力做特征增强/样本增强等, 以提升推荐系统的整体效果。这种方式成本相对可控, 是工业界尝试最多也是相对比较容易拿到收益的方式。本篇内容就可以认为在做特征增强 使用LLM做语义Embedding内容。 文章对具体item的文本描述，给到LLM得到语义Embedding的结果。 头部项目：热门项目，经常发生交互。 长尾项目：冷门项目，很少发生交互，传统推荐系统对长尾项目的建模不足，难以捕捉完整，因为其对应交互次数比较少。 论文方法总结： 借助LLM，进行
生成式推荐Tiger tiger作为生成式推荐里极具代表性的文章，本文主要总结TIGER的流程。 总结整个tiger实际流程 总体来看分为两个部分。(分为两个阶段每一个阶段独立训练，第一个阶段完成之后再开始第二个阶段) 第一个阶段.RQVAE 有三部分： 1.DNN encoder把经过LLM得到的item embedding转换为潜在的表示。 2.残差量化器输出Item的量化表示。 3.DNN decoder把量化表示返回为语义embedding 训练是为了让整个RQVAE学习到的语义ID更加符合实际情况。 每一个物品与最后对应的语义ID记录下来，用户第二阶段的推荐。 第二阶段.
第一篇blog就记录一下搭建博客的过程 1.环境准备 具体内容可以查看链接。 主要包括：安装git、nodejs、hexo/hexo依赖。 配置github的ssh key。 搭建博客之后链接到仓库。 2.额外的主题使用 使用了开源主题。 此时配置文件有： 根目录下"_config.yml" 根目录下"_config.reimu.yml" 主题本身的配置文件themes\reimu\_config.yml" 对于主题之内的改动，不去修改主题自身的yml文件，而是修改外层的"_config.reimu.yml"文件。
