Un article récent de Meituan, intitulé 'Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models', présente une nouvelle approche pour passer à l'échelle les modèles de recommandation. L'idée centrale est d'augmenter la granularité des jetons de séquence historique du niveau article au niveau échantillon, permettant au modèle de capturer des modèles de comportement utilisateur plus nuancés. Cette méthode, appelée SIF, est actuellement disponible sur arXiv et représente une étape importante dans l'évolution des systèmes de recommandation à grande échelle. Pour les équipes d'ingénierie qui construisent ou maintiennent des pipelines de recommandation, ce changement pourrait conduire à des prédictions plus précises et personnalisées. L'accent mis par l'article sur les stratégies de tokenisation s'aligne sur les tendances plus larges du passage à l'échelle de l'apprentissage profond, ce qui en fait un signal opportun pour l'industrie.
Un nouvel article de Meituan propose SIF (Sample Is Feature), déplaçant la représentation des jetons dans les grands modèles de recommandation du niveau article au niveau échantillon. Cette approche vise à capturer des signaux de comportement utilisateur plus riches et à améliorer les performances du modèle. La technique est pertinente pour les équipes travaillant sur le passage à l'échelle des modèles d'apprentissage profond dans les systèmes de recommandation en production.