由图可知，基础提示模板仅输入目标位置的GPS坐标，微调GPT-3.5输出的结果与真实结果相差甚远。相对而言，本文所提出的提示模板包含了目标位置的详细地址信息，以及其邻居位置信息，微调GPT-3.5输出的结果与真实结果相近。阅读该论文后，有以下收获：大语言模型包含地理空间知识，但感觉该种知识仍然体现在语义上，也即地理位置名称所蕴含的知识，而非坐标所反映的距离或位置知识。LLM包含粗粒度的地理空间知识

该文章提出了一种面向推荐任务的LLM指令微调方法。该方法的主要贡献在于构建推荐任务指令数据集，采用高效微调方法Lora，对LLM实现推荐任务的适应，在少样本场景下取得了客观的结果。该方法虽然简介易懂，但也的确是一个大胆尝试。在数据充足、热启动场景下的效果未知。后续多篇文章指出，LLM是一个优秀的冷启动场景的推荐系统，但对于数据充足的场景，性能不佳。对于每个目标商品，TALLRec方法都需要运行一次

针对第一个挑战，GRAM设计语义-词汇转换方法，将商品的层次语义信息和协同语义信息转换为LLM可理解的文本。与此同时，语义-词汇转换方法基于传统协同过滤方法，抽取相似商品的文本标识符，实现协同语义信息的捕捉。针对第二个挑战，论文提出多粒度后融合方法，对于用户历史交互信息和商品信息分别设计粗细粒度prompt，并行输入不同编码器编码，从而降低输入文本序列的长度。首先，T-PRA设计基于LLM的代理，

由图可知，基础提示模板仅输入目标位置的GPS坐标，微调GPT-3.5输出的结果与真实结果相差甚远。相对而言，本文所提出的提示模板包含了目标位置的详细地址信息，以及其邻居位置信息，微调GPT-3.5输出的结果与真实结果相近。阅读该论文后，有以下收获：大语言模型包含地理空间知识，但感觉该种知识仍然体现在语义上，也即地理位置名称所蕴含的知识，而非坐标所反映的距离或位置知识。LLM包含粗粒度的地理空间知识

由图可知，基础提示模板仅输入目标位置的GPS坐标，微调GPT-3.5输出的结果与真实结果相差甚远。相对而言，本文所提出的提示模板包含了目标位置的详细地址信息，以及其邻居位置信息，微调GPT-3.5输出的结果与真实结果相近。阅读该论文后，有以下收获：大语言模型包含地理空间知识，但感觉该种知识仍然体现在语义上，也即地理位置名称所蕴含的知识，而非坐标所反映的距离或位置知识。LLM包含粗粒度的地理空间知识