| 221 |
LLM作为推荐器的Prompt设计，任务指令与上下文示例… |
221.md |
| 222 |
生成式推荐(Item Generation)，自回归解码… |
222.md |
| 223 |
LLM的序列建模能力，长上下文与推荐历史的适配？ |
223.md |
| 224 |
大模型的知识注入，RAG与推荐知识库的构建？ |
224.md |
| 225 |
LLM的幻觉问题，推荐场景的事实性约束？ |
225.md |
| 226 |
多模态大模型，图文视频的联合理解与推荐？ |
226.md |
| 227 |
大模型的微调策略，LoRA的秩选择与训练效率？ |
227.md |
| 228 |
大模型的推理加速，投机解码与量化压缩？ |
228.md |
| 229 |
LLM与传统模型的级联，粗排过滤与精排生成？ |
229.md |
| 230 |
大模型的评估，人工评估与自动指标的对齐？ |
230.md |
| 231 |
指令微调的数据构造，推荐任务的指令多样性？ |
231.md |
| 232 |
大模型的对齐训练，RLHF在推荐偏好中的应用？ |
232.md |
| 233 |
世界模型与推荐，环境模拟与策略学习？ |
233.md |
| 234 |
多智能体推荐，LLM作为用户模拟器？ |
234.md |
| 235 |
大模型的可解释性，思维链与推荐理由生成？ |
235.md |
| 236 |
跨语言推荐，多语言LLM的零迁移能力？ |
236.md |
| 237 |
大模型的个性化，用户特定的LoRA适配器？ |
237.md |
| 238 |
实时大模型推荐，流式上下文更新机制？ |
238.md |
| 239 |
大模型的安全对齐，有害推荐的拒绝生成？ |
239.md |
| 240 |
大模型的成本优化，蒸馏与小模型的能力迁移？ |
240.md |
| 241 |
推荐Agent的设计，工具使用与多轮交互？ |
241.md |
| 242 |
对话式推荐，多轮对话的状态跟踪？ |
242.md |
| 243 |
大模型的长期记忆，外部记忆模块的检索增强？ |
243.md |
| 244 |
推荐场景的涌现能力，规模效应的实验观察？ |
244.md |
| 245 |
大模型的偏见放大，训练数据的代表性问题？ |
245.md |
| 246 |
联邦大模型，隐私保护的分布式微调？ |
246.md |
| 247 |
大模型的持续学习，灾难性遗忘的缓解？ |
247.md |
| 248 |
推荐预训练任务，MLM与对比学习的联合？ |
248.md |
| 249 |
大模型的多目标输出，自然语言生成与评分预测？ |
249.md |
| 250 |
大模型的评估基准，推荐专用benchmark的构建？ |
250.md |