AI Engineer视频
LLM时代的个性化 - Shivam Verma, Spotify
7.0Score
可直接观看的视频资源打开原视频
TL;DR · AI 摘要
Spotify通过将用户行为序列转化为向量再映射为Token，结合内容表征与LLM，构建高度可操控的个性化推荐系统，以服务7.5亿用户与1亿+曲库。
核心要点
- Spotify AI基础团队通过CPT和SFT微调开源权重LLM来构建推荐系统。
- 个性化核心路径是将用户行为序列转化为向量，再转化为Token输入LLM。
- LLM时代的个性化依赖三大支柱：基础用户建模、内容表征、可操控与个性化结合。
结构提纲
按章节快速跳转。
Spotify拥有7.5亿用户与超1亿曲目，需通过机器学习整合海量数据与内容以提升用户体验。
LLM时代的个性化推荐依赖基础用户建模、内容表征以及两者的可操控结合。
个性化推荐的技术路径是将用户行为序列转化为向量，再映射为Token，最终与LLM结合生成个性化结果。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- LLM时代的个性化推荐
- 基础用户建模
- 行为序列 -> 向量 -> Token
- 内容表征
- 曲库/播客/有声书建模
- 可操控结合
- 向量+Token+LLM
金句 / Highlights
值得收藏与分享的关键句。
Spotify目前拥有7.5亿用户、超1亿首曲目及约40万本有声书，海量数据与内容是个性化的基础。
个性化的核心路径是从行为序列到向量，再到Token，最后将向量与Token和LLM结合以实现最大程度的个性化。
AI基础团队通过CPT（持续预训练）和SFT（监督微调）适配开源权重LLM，构建前沿基础模型。
#Spotify#LLM#个性化推荐#用户建模