这种方法通过分析用户的历史行为和偏好，找出具有相似兴趣的用户群体，然后推荐他们喜欢的物品或内容。协同过滤是一种常见的推荐系统技术，它基于用户的历史行为（例如评分、点击、购买等）来预测用户可能感兴趣的物品。协同过滤主要有两种类型：基于用户的协同过滤和基于物品的协同过滤。它可以直接利用物品的内容特征进行推荐，适用于内容较为丰富的场景。冷启动问题是指在推荐系统中，无法为新用户或新物品提供高质量的推荐。

传统微调的局限性修改所有语言模型参数，需要为每个任务存储一个完整的模型副本。前缀调优的优势保持语言模型参数不变，仅优化前缀参数。通过仅学习0.1%的参数，前缀调优在全数据集设置中获得了可比的性能，在低数据设置中表现优于微调，并在训练中未见的主题上表现更好。应用场景前缀调优适用于自然语言生成任务，如表格到文本生成和摘要生成。所有P-tuning都是基于优化连续的prefix或者prompt的思想。调

Agent（智能体）是一个能够感知环境并采取行动的自主实体，通常被设计用于在特定的环境中执行任务。智能体可以通过学习、推理等方式来决策，目标是最大化某种效用或实现某个预定的目标。它们广泛应用于自动化系统、游戏AI、机器人、自然语言处理、推荐系统等领域。

处理大数据： 如果你有成千上万的文件、日志数据，或者每天需要处理几百 GB 的数据量，Spark 是一个理想的工具。在需要反复计算的数据任务中，如迭代式的机器学习算法，它有很大的优势。1、高速处理： Spark 能够将数据加载到内存中进行计算，相比于传统的 Hadoop MapReduce，它的迭代计算速度要快很多，特别是在处理需要多次操作的数据集时（例如机器学习任务）。分布式和容错性： Spar

处理大数据： 如果你有成千上万的文件、日志数据，或者每天需要处理几百 GB 的数据量，Spark 是一个理想的工具。在需要反复计算的数据任务中，如迭代式的机器学习算法，它有很大的优势。1、高速处理： Spark 能够将数据加载到内存中进行计算，相比于传统的 Hadoop MapReduce，它的迭代计算速度要快很多，特别是在处理需要多次操作的数据集时（例如机器学习任务）。分布式和容错性： Spar

Lora通过添加低秩的矩阵，使得只需要微调少量参数，而不是整个模型。这样就可以用比较小的代价去处理我自己的任务，虽然bert本身不算一个特别巨大的模型，但是作为实践，还是可以尝试吧lora引入进去当作一个实践，从简单到困难需要循序渐进嘛。由于我已经理顺了一次lora的原理，对于个人简单来说就是外接一个新的A和B矩阵，来训练新的小小矩阵去×原本的大大模型，这样只训练小矩阵的成本就能大大降低，而且由于

任务类型K-means：无监督学习（聚类）。KNN：有监督学习（分类或回归）。输入K-means：只需要数据，不需要标签。KNN：需要带有标签的训练数据。输出K-means：每个样本的簇分配和质心。KNN：新样本的预测标签或值。算法目标K-means：寻找数据的自然簇，最小化簇内的样本到质心的距离。KNN：基于已知样本的标签或值，对新样本进行预测。适用场景K-means：用于发现数据的自然分组或模

最近面试的时候，很多面试官问道了我项目中的一些评价指标的算法和原理，我觉得这确实也是一个很重要的内容，所以趁这个机会综合起来一块复习一下，在刷力扣的时候也不能忘记项目最常用的内容嘛。它们都表示模型在所有实际为正类的样本中，正确预测为正类的比例。：计算误差的绝对值与真实值的比率的平均值，反映相对误差。：实际为正类的样本中，正确预测为正类的比例。：预测为正类的样本中，真正为正类的比例。

BLEU是一种自动评估生成文本与参考文本相似性的指标，主要用于机器翻译。它通过计算n-gram的重叠程度来判断生成文本的质量。ROUGE是一组用于自动评估文本生成质量的指标，主要用于文本摘要。它通过计算生成文本与参考文本之间的重叠情况，尤其关注召回率。

LLaMA是 Meta 开发的开源大型语言模型，用于执行多种 NLP 任务。Ollama是一个工具或平台，允许用户在本地运行和管理多个语言模型，包括 LLaMA。它简化了 LLM 的运行流程，使用户可以通过命令行轻松调用和实验模型。因此，LLaMA 是一个模型本身，而Ollama 是一个工具，用于运行包括 LLaMA 在内的多种大语言模型。