"Последовательные рекомендательные системы нацелены на предоставление персонализированных рекомендаций для пользователей на основе истории их взаимодействия. Для достижения этого они часто включают вспомогательную информацию, такую, как текстовые описания элементов и вспомогательные задачи, такие как прогнозирование предпочтений и намерений пользователя. Несмотря на многочисленные усилия по улучшению этих моделей, они по-прежнему страдают от ограниченной персонализации. Чтобы решить эту проблему, мы предлагаем новую парадигму, которую мы называем распознаванием предпочтений. В распознавании предпочтений мы явно обуславливаем генеративную последовательную рекомендательную систему предпочтениями пользователя в ее контексте. С этой целью мы генерируем предпочтения пользователя с помощью больших языковых моделей (LLM) на основе отзывов пользователей и данных, специфичных для элемента. Чтобы оценить возможности распознавания предпочтений последовательных рекомендательных систем, мы вводим новый бенчмарк, который обеспечивает целостную оценку в различных сценариях, включая управление предпочтениями и следование настроениям. Мы оцениваем текущие современные методы с помощью нашего бенчмарка и показываем, что они с трудом точно распознают предпочтения пользователя. Поэтому мы предлагаем новый метод под названием Mender (ultimodal Preferce iscern), который улучшает существующие методы и достигает самых современных показателей в нашем бенчмарке. Наши результаты показывают, что Mender может эффективно руководствоваться человеческими предпочтениями, даже если они не наблюдались во время обучения, что прокладывает путь к более персонализированным системам последовательных рекомендаций. Мы откроем исходный код и бенчмарки после публикации." - Preference Discerning with LLM-Enhanced Generative Retrieval
No comments:
Post a Comment