«Использование LLM-моделей для создания выполненных графов рекомендаций»

«Создание стильных графов рекомендаций с помощью LLM-моделей»

С быстрым ростом интернета и онлайн-платформ пользователи затоплены выбором. Рекомендательные системы стали неотъемлемой частью в борьбе с перегрузкой информацией, путем предсказания предпочтений пользователей и предлагая соответствующий контент. Однако, обеспечение точных и персонализированных рекомендаций остается постоянной проблемой.

Основная проблема заключается в понимании настоящих интересов и целей пользователей, моделируя их поведение. Рекомендательные системы полагаются на выявленные из пользовательских данных паттерны, такие как история посещений, покупки, рейтинги и взаимодействия. Однако реальные пользовательские данные часто являются разреженными и ограниченными, лишены важных контекстных сигналов, необходимых для улавливания оттенков пользовательского намерения.

В результате модели рекомендаций не способны изучить полноценные представления пользователей и элементов. Их предложения становятся слишком общими, повторяющимися или несоответствующими. Проблема холодного старта усугубляет ситуацию для новых пользователей с минимальной историей активности. Бизнесы также страдают от недостаточного качества обслуживания клиентов, что приводит к потере дохода.

Это требует решений, которые могут раскрыть глубинные понимания данных пользователей. Возникающим подходом является использование графов знаний, в которых содержатся факты и связи между сущностями. Хорошо построенные графы знаний имеют огромный потенциал для решения важных задач в системах рекомендаций.

Графы знаний выходят за рамки простого моделирования взаимодействий пользователь-элемент. Они кодируют разнообразные контекстные метаданные, атрибуты и отношения между различными сущностями. Эта многомерная связанная структура имитирует способ, которым человеческая память хранит мировое знание.

Обучая специализированные модели графовых нейронных сетей на таких взаимосвязных знаниях, рекомендательные системы могут извлечь более информативные представления поведения пользователя и характеристик элементов. Обогащенное понимание приводит к рекомендациям, адаптированным к тонким потребностям пользователя и сценариям.

Однако преградой на пути к этой задаче являются реальные графы знаний, которые далеки от идеальности. Они страдают от неполноты, нехватки ключевых связей и деталей. Это мешает моделям рекомендаций полностью охватить пользовательские контексты и намерения.

К счастью, недавние достижения в языковых моделях предоставляют лучи надежды. Предварительно обученные модели, такие как GPT-3, продемонстрировали замечательные возможности по генерации естественного языка, поддерживаемые их огромными запасами мирового знания. Начальное исследование использования таких моделей для…