Dengan munculnya era digital, sistem rekomendasi telah menjadi teknologi utama untuk meningkatkan pengalaman pengguna dan meningkatkan retensi pengguna. Di banyak industri seperti e-commerce, streaming media dan media sosial, sistem rekomendasi secara akurat merekomendasikan konten yang mungkin menarik bagi pengguna dengan menganalisis hubungan kompleks antara pengguna, produk dan faktor latar belakang mereka. Namun, sebagian besar sistem rekomendasi yang ada bergantung pada sejumlah besar data historis.
Untuk mengatasi masalah ini, para peneliti dari Universitas Shanghai Jiaotong dan Laboratorium Bahtera Huawei Noah mengembangkan kerangka kerja tanda tangan. Kerangka kerja secara signifikan meningkatkan keakuratan rekomendasi dengan secara otomatis membangun grafik dan secara dinamis menyesuaikan strategi rekomendasi. Pada saat yang sama, Autograph menggunakan model bahasa besar (LLM) untuk meningkatkan pemahaman konteks, sehingga lebih baik menangkap preferensi dan kebutuhan pengguna.
Sistem rekomendasi berbasis grafik yang ada biasanya mengharuskan pengguna untuk mengatur fitur dan koneksi mereka secara manual dalam grafik, yang tidak hanya memakan waktu dan tidak efisien. Selain itu, aturan yang telah ditetapkan sebelumnya membatasi kemampuan beradaptasi dari grafik ini dan tidak dapat sepenuhnya memanfaatkan informasi semantik kaya yang terkandung dalam data yang tidak terstruktur. Oleh karena itu, pengenalan kerangka tanda tangan memberikan cara yang sama sekali baru untuk menyelesaikan masalah jarang data, yang dapat segera menangkap hubungan halus preferensi pengguna.
Fungsi inti dari kerangka kerja tanda tangan termasuk menganalisis input pengguna menggunakan model bahasa besar pra-terlatih (LLM) untuk mengekstraksi hubungan potensial dari bahasa alami; Koneksi; akhirnya, grafik pengetahuan yang dibangun dikombinasikan dengan grafik jaringan saraf (GNNs), sehingga sistem rekomendasi dapat menggunakan fitur simpul dan struktur grafik untuk memberikan rekomendasi yang lebih akurat sambil tetap sensitif terhadap preferensi pribadi dan tren pengguna.
Untuk memverifikasi efektivitas kerangka tanda tangan, para peneliti membandingkan dataset layanan e-commerce dan streaming. Hasil menunjukkan bahwa kerangka kerja secara signifikan meningkatkan keakuratan rekomendasi, menunjukkan kemampuannya yang kuat untuk memberikan rekomendasi yang relevan. Selain itu, tanda tangan menunjukkan skalabilitas yang lebih baik saat memproses set data besar dan secara signifikan lebih rendah dalam persyaratan komputasi daripada metode konstruksi grafik tradisional. Kombinasi proses otomatis dan algoritma canggih membantu mengurangi konsumsi sumber daya tanpa mempengaruhi kualitas hasil.
Peluncuran kerangka tanda tangan menandai kemajuan penting di bidang sistem rekomendasi. Kemampuannya untuk secara otomatis membangun grafik secara efektif berkaitan dengan skalabilitas yang sudah lama, kemampuan beradaptasi, dan tantangan yang sadar konteks. Keberhasilan kerangka kerja ini menunjukkan potensi transformatif untuk menggabungkan LLM dengan sistem grafis, menetapkan standar baru untuk penelitian dan aplikasi rekomendasi yang dipersonalisasi di masa depan.
Pintu masuk kertas: https://arxiv.org/abs/2412.18241
Poin -Poin Kunci:
** Konstruksi grafik otomatis berdasarkan LLMS **: Kerangka tanda tangan secara otomatis menganalisis input pengguna, mengekstrak hubungan, dan membangun grafik pengetahuan melalui model bahasa besar yang sudah terlatih.
** Secara signifikan meningkatkan akurasi rekomendasi **: Dalam tolok ukur, kerangka kerja ini secara signifikan meningkatkan akurasi rekomendasi pada e-commerce dan dataset streaming.
** Mengurangi konsumsi sumber daya **: Dibandingkan dengan metode tradisional, tanda tangan berkinerja sangat baik dalam persyaratan komputasi dan menunjukkan skalabilitas yang baik.