关键观点
个性化从排序转向生成式推理
传统推荐主要由排序算法生成候选列表,本质上是在猜测用户下一步可能喜欢什么。Spotify希望系统能够审视推荐结果,结合当前语境判断匹配是否合理,并向用户解释原因。用户还可以通过自然语言实时改变…展开观点收起观点
传统推荐主要由排序算法生成候选列表,本质上是在猜测用户下一步可能喜欢什么。Spotify希望系统能够审视推荐结果,结合当前语境判断匹配是否合理,并向用户解释原因。用户还可以通过自然语言实时改变推荐方向,使个性化成为双向、可控的交互过程。
为什么重要: 这改变了推荐系统的产品边界:它不再只是后台排序器,而成为用户可以交流、纠正和共同塑造体验的代理。
支撑证据
One is move from moving moving from personalization as guessing uh where basically you have a ranking algorithms that spits out a brand ranked list of entities in your catalog to personalization as reasoning that can introspect these results
统一模型支撑多种个性化体验
Spotify DJ允许用户在播放过程中随时给出方向;提示式歌单可以理解抽象或细致的自然语言需求,并据此调整歌单结构。品味档案把算法对用户的理解转换为可读、可编辑的自然语言,个人播客则进一步从…展开观点收起观点
Spotify DJ允许用户在播放过程中随时给出方向;提示式歌单可以理解抽象或细致的自然语言需求,并据此调整歌单结构。品味档案把算法对用户的理解转换为可读、可编辑的自然语言,个人播客则进一步从推荐走向内容生成。这些应用由同一个大型品味模型体系控制,而不是彼此孤立的功能。
为什么重要: 统一能力层可以让搜索、推荐、解释和生成共享用户理解,降低各产品重复建设模型的成本。
支撑证据
So there's one big system that controls like all of these different applications I mentioned and we call that internally some the large taste model.