디지털 시대의 출현으로 추천 시스템은 사용자 경험을 향상시키고 사용자 유지를 향상시키는 핵심 기술이되었습니다. 전자 상거래, 스트리밍 미디어 및 소셜 미디어와 같은 많은 산업에서 추천 시스템은 사용자, 제품 및 배경 요소 간의 복잡한 관계를 분석하여 사용자에게 관심이있는 콘텐츠를 정확하게 추천합니다. 그러나 대부분의 기존 권장 시스템은 충분한 데이터가 없기 때문에 "콜드 스타트"시나리오에서 많은 양의 과거 데이터에 의존합니다.
이 문제를 해결하기 위해 상하이 Jiaotong University와 Huawei Noah의 Ark Laboratory의 연구원들은 사인 프레임 워크를 개발했습니다. 이 프레임 워크는 그래프를 자동으로 구축하고 권장 사항 전략을 동적으로 조정하여 권장 사항의 정확도를 크게 향상시킵니다. 동시에, 사인은 대형 언어 모델 (LLM)을 사용하여 컨텍스트에 대한 이해를 향상시켜 사용자 선호도와 요구를 더 잘 캡처합니다.

기존 그래프 기반 권장 시스템은 일반적으로 사용자가 그래프에서 기능과 연결을 수동으로 설정 해야하는데, 이는 시간이 많이 걸리고 비효율적 일뿐 만 아니라. 또한 사전 설정된 규칙은 이러한 그래프의 적응성을 제한하며 구조화되지 않은 데이터에 포함 된 풍부한 의미 정보를 완전히 활용할 수 없습니다. 따라서, 사인 프레임 워크의 도입은 데이터 스파르네스의 문제를 해결하는 완전히 새로운 방법을 제공하며, 이는 사용자 선호도의 미묘한 관계를 즉시 포착 할 수 있습니다.
사인 프레임 워크의 핵심 기능에는 미리 훈련 된 대형 언어 모델 (LLM)을 사용하여 사용자 선호도의 구조적 표현으로서 지식 그래프를 생성하고 그래프를 최적화합니다 연결; 마지막으로, 지식 그래프는 그래프 신경망 (GNN)과 결합하여 권장 시스템은 노드 기능과 그래프 구조를 사용하여보다 정확한 권장 사항을 제공하면서 개인 선호도 및 사용자 트렌드에 민감합니다.
사인 프레임 워크의 효과를 확인하기 위해 연구원들은 전자 상거래 및 스트리밍 서비스의 데이터 세트를 벤치마킹했습니다. 결과는 프레임 워크가 권장 사항의 정확성을 크게 향상시켜 관련 권장 사항을 제공 할 수있는 강력한 능력을 나타냅니다. 또한, 사인은 대규모 데이터 세트를 처리 할 때 더 나은 확장 성을 보여주고 기존 그래프 구성 방법보다 컴퓨팅 요구 사항이 상당히 낮습니다. 자동화 된 프로세스와 고급 알고리즘의 조합은 결과 품질에 영향을 미치지 않으면 서 자원 소비를 줄이는 데 도움이됩니다.
사인 프레임 워크의 출시는 추천 시스템 분야에서 중요한 발전을 보여줍니다. 그래프를 자동으로 구축하는 능력은 오랜 확장 성, 적응성 및 상황 인식 문제를 효과적으로 처리합니다. 이 프레임 워크의 성공은 LLM을 그래픽 시스템과 결합하여 향후 개인화 된 추천 연구 및 응용 프로그램을위한 새로운 표준을 설정하는 변형 가능성을 보여줍니다.
종이 입구 : https://arxiv.org/abs/2412.18241
핵심 사항 :
** LLMS 기반의 자동 그래프 구성 ** : 사인 프레임 워크는 사용자 입력을 자동으로 분석하고, 관계를 추출하며, 미리 훈련 된 대형 언어 모델을 통해 지식 그래프를 구축합니다.
** 추천 정확도를 크게 향상시킵니다 ** : 벤치 마크 에서이 프레임 워크는 전자 상거래 및 스트리밍 데이터 세트의 권장 정확도를 크게 향상시킵니다.
** 자원 소비 감소 ** : 전통적인 방법과 비교하여 사인은 컴퓨팅 요구 사항에서 우수한 성능을 발휘하며 우수한 확장 성을 보여줍니다.