Article

Data Scarcity in Recommendation Systems: A Survey

Auteur : Zefeng Chen

Co-auteurs : Wensheng Gan, Jiayang Wu, Kaixia Hu, Hong Lin

The prevalence of online content has led to the widespread adoption of recommendation systems (RSs), which serve diverse purposes such as news, advertisements, and e-commerce recommendations. Despite their significance, data scarcity issues have significantly impaired the effectiveness of existing RS models and hindered their progress. To address this challenge, the concept of knowledge transfer, particularly from external sources like pre-trained language models, emerges as a potential solution to alleviate data scarcity and enhance RS development. However, the practice of knowledge transfer in RSs is intricate. Transferring knowledge between domains introduces data disparities, and the application of knowledge transfer in complex RS scenarios can yield negative consequences if not carefully designed. Therefore, this article contributes to this discourse by addressing the implications of data scarcity on RSs and introducing various strategies, such as data augmentation, self-supervised learning, transfer learning, broad learning, and knowledge graph utilization, to mitigate this challenge. Furthermore, it delves into the challenges and future direction within the RS domain, offering insights that are poised to facilitate the development and implementation of robust RSs, particularly when confronted with data scarcity. We aim to provide valuable guidance and inspiration for researchers and practitioners, ultimately driving advancements in the field of RS.

Année : 2025

Article

Running Open Source LLMs on Your Local Machine — The Easy Way

Auteur : Poul Lorca Dev

Co-auteurs : John Duran, Sabrina ki

Without a doubt, large language models (LLMs) are among the most useful tools developed in recent years. The advantages and utilities of these AI-driven models have profoundly changed our lives. Typically, we access these models through web apps like ChatGPT or Gemini, which offer easy-to-use interfaces. However, there’s another way to interact with LLMs without relying on the servers of these companies or compromising your privacy. In this post, we’ll discuss the advantages of running LLMs on your local machine, explain how to do it, and answer some common questions.

Année : 2024

Article

Effet d’un apport de biofertilisant sur les paramètres morpho-physiologiques et agronomiques du Mung bean (Vigna radiata (L.) Wilczeck) cultivé au Burkina faso

Auteur : Zeya KABORE

Co-auteurs : Oumouhairi ZANGO Gérard ZOMBRE

Le haricot mungo (Vigna radiata), couramment appelé « mung bean », est une légumineuse à graines, riche en protéines et en hydrates de carbone, mais peu connue au Burkina Faso. Cependant, sa production est très faible compte tenu du fait qu’elle est peu connue par la population Burkinabé. Dans l’optique de vulgariser, de promouvoir et de valoriser sa culture, un essai permettant d’étudier l’effet des biofertilisants sur les paramètres morphophysiologiques et agronomiques du mung bean a été installé à Tenkodogo dans la région du Centre-Est. Un seul type de biofertilisant (la cendre de bois) à différentes doses (0 ; 50 et 100 kg/ha), a été utilisé sur un dispositif en blocs complets randomisés avec quatre répétitions et trois traitements. Des mesures ont été effectuées sur ces paramètres. Les résultats obtenus dans l’ensemble indiquent que les doses de 50kg/ha et 100 kg/ha améliorent de façon significative les paramètres physiologiques, agronomiques et aussi le rendement en grains par rapport au traitement témoin. La dose de 50kg/ha s’est révélée comme étant la dose optimale permettant d’obtenir de meilleurs rendements. La cendre de bois peut donc être utilisée comme fertilisant naturel pour améliorer la fertilité des sols et accroitre les rendements des cultures si elle est utilisée à bonne dose

Année : 2025