主要观点总结
本文介绍了小红书的推荐算法，特别是其使用的NoteLLM和SSD方法。NoteLLM通过发现用户的兴趣，使用一种统一的框架进行内容推荐，并采用了生成对比学习和协作监督微调等技术来提高推荐性能和用户体验。SSD方法则通过滑动频谱分解解决了小红书中的多样化信息流推荐问题，并结合CB2CF计算嵌入向量的策略来应对实际推荐场景中的长尾效应。
关键观点总结
关键观点1: 小红书的推荐算法介绍
小红书采用先进的推荐算法，如NoteLLM和SSD方法，以提供精准的内容推荐。
关键观点2: NoteLLM技术细节
NoteLLM通过构建笔记压缩提示、生成对比学习（GCL）和协作监督微调（CSFT）等关键部分，实现了精准的内容推荐。该技术通过压缩笔记内容到一个特殊单一token，助力I2I推荐和生成任务，并学习生成标签/类别，提升嵌入质量。
关键观点3: SSD方法解决多样化信息流推荐问题
SSD方法通过滑动频谱分解解决了小红书中的多样化信息流推荐问题。它将轨迹矩阵推广到三阶情况，利用单变量时间序列奇异谱分析（SSA）对内容嵌入进行奇异值分解，并通过调整质量和多样性之间的权衡，为用户提供个性化推荐。
关键观点4: CB2CF策略计算嵌入向量
为了应对实际推荐场景中的长尾效应，提出了CB2CF策略计算内容嵌入向量。该策略结合预训练的BERT模型和Inception-V3模型提取特征，通过余弦相似度作为距离度量，精确衡量内容相似度。
文章预览
文章转载于新智元 最近歪果朋友疯狂涌入「Xiaohongshu」，网友直呼，一夜之间与国际接轨。 这场史称「美洲大迁徙」的互联网奇象，也离不开小红书本身过硬的内容推荐算法技术。而歪果网友也毫不吝啬对于「Xiaohongshu」推荐算法的赞美。 1 小红书如何「投你所好」 接下来让我们看看，小红书的推荐算法是怎么不断地成功「投你所好」。 一般来讲，为了构建出用户所喜欢的推荐内容列表，经典的推荐系统构成为： 从内容数据库中检索候选内容 通过排序模块衡量每个事件的质量，即预测特定内容将为用户提供的效用程度 高质量内容将被发送至策略模块进行进一步筛选和重新排序，以构建最终的推荐列表 推荐系统的典型结构 目前能够检索到的小红书官方发表的推荐算法相关的技术论文共有两篇，接下来就让我们一起揭开小红书内容推荐机制的「神
………………………………
