Information Retrieval,Artificial Intelligence,Computation and Language,Machine Learning,بازیابی اطلاعات , هوش مصنوعی , محاسبات و زبان , یادگیری ماشین ,
توضیحات
Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی
ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Owing to the unprecedented capability in semantic understanding and logical reasoning, the pre-trained large language models (LLMs) have shown fantastic potential in developing the next-generation recommender systems (RSs). However, the static index paradigm adopted by current methods greatly restricts the utilization of LLMs capacity for recommendation, leading to not only the insufficient alignment between semantic and collaborative knowledge, but also the neglect of high-order user-item interaction patterns. In this paper, we propose Twin-Tower Dynamic Semantic Recommender (TTDS), the first generative RS which adopts dynamic semantic index paradigm, targeting at resolving the above problems simultaneously. To be more specific, we for the first time contrive a dynamic knowledge fusion framework which integrates a twin-tower semantic token generator into the LLM-based recommender, hierarchically allocating meaningful semantic index for items and users, and accordingly predicting the semantic index of target item. Furthermore, a dual-modality variational auto-encoder is proposed to facilitate multi-grained alignment between semantic and collaborative knowledge. Eventually, a series of novel tuning tasks specially customized for capturing high-order user-item interaction patterns are proposed to take advantages of user historical behavior. Extensive experiments across three public datasets demonstrate the superiority of the proposed methodology in developing LLM-based generative RSs. The proposed TTDS recommender achieves an average improvement of 19.41% in Hit-Rate and 20.84% in NDCG metric, compared with the leading baseline methods.
چکیده به فارسی (ترجمه ماشینی)
با توجه به توانایی بی سابقه در درک معنایی و استدلال منطقی ، مدل های بزرگ زبان از پیش آموزش داده شده (LLM) پتانسیل خارق العاده ای را در توسعه سیستم های توصیه کننده نسل بعدی (RSS) نشان داده اند.با این حال ، الگوی شاخص استاتیک اتخاذ شده توسط روشهای فعلی ، استفاده از ظرفیت LLMS را برای توصیه محدود می کند ، و نه تنها تراز کافی بین دانش معنایی و مشارکتی ، بلکه غفلت از الگوهای تعامل کاربر با سفارش بالا.در این مقاله ، ما پیشنهاد دهنده معنایی پویا برج دوقلو (TTDS) ، اولین RS تولیدی را که الگوی شاخص معنایی پویا را اتخاذ می کند ، پیشنهاد می کنیم و هدف قرار دادن مشکلات فوق به طور همزمان است.برای خاص تر بودن ، ما برای اولین بار با یک چارچوب همجوشی دانش پویا که یک ژنراتور معنایی دوقلو برج را در توصیه کننده مبتنی بر LLM ادغام می کند ، به طور سلسله مراتبی اختصاص می دهد ، و به طور تخصیص شاخص معنایی معنی دار برای موارد و کاربران ، و بر همین اساس پیش بینی شاخص معنایی هدفموردعلاوه بر این ، یک رمزگذار خودکار متغیر دوتایی برای تسهیل تراز چند دانه ای بین دانش معنایی و مشارکتی پیشنهاد شده است.سرانجام ، مجموعه ای از وظایف تنظیم جدید به طور خاص برای ضبط الگوهای تعامل کاربر با سفارش بالا سفارشی شده است تا از مزایای رفتار تاریخی کاربر استفاده کند.آزمایش های گسترده در سه مجموعه داده عمومی نشان دهنده برتری روش پیشنهادی در توسعه RSS مولد مبتنی بر LLM است.توصیه کننده TTDS پیشنهادی به طور متوسط 19.41 ٪ در نرخ HIT و 20.84 ٪ در متریک NDCG ، در مقایسه با روش های پایه اصلی.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
