Com o advento da era digital, os sistemas de recomendação se tornaram uma tecnologia essencial para melhorar a experiência do usuário e aprimorar a retenção de usuários. Em muitas indústrias, como o comércio eletrônico, o streaming de mídia e as mídias sociais, o sistema de recomendação recomenda com precisão o conteúdo que possa ser de interesse para os usuários, analisando o relacionamento complexo entre usuários, produtos e seus fatores de fundo. No entanto, a maioria dos sistemas de recomendação existente depende de uma grande quantidade de dados históricos.
Para resolver esse problema, pesquisadores da Universidade de Xangai Jiaotong e do Laboratório Ark da Huawei Noah desenvolveram a estrutura de autógrafos. A estrutura melhora significativamente a precisão das recomendações, construindo automaticamente gráficos e ajustando dinamicamente estratégias de recomendação. Ao mesmo tempo, o Autograph usa grandes modelos de idiomas (LLMS) para aprimorar o entendimento do contexto, capturando melhor as preferências e necessidades do usuário.
Os sistemas de recomendação de gráficos existentes geralmente exigem que o usuário defina manualmente os recursos e suas conexões no gráfico, o que não apenas consome tempo e ineficiente. Além disso, as regras predefinidas limitam a adaptabilidade desses gráficos e não podem utilizar completamente as informações semânticas ricas contidas em dados não estruturados. Portanto, a introdução da estrutura de autógrafos fornece uma maneira completamente nova de resolver o problema da escassez de dados, que pode capturar prontamente relacionamentos sutis das preferências do usuário.
As funções principais da estrutura de autógrafos incluem a análise do usuário usando modelos de idiomas grandes pré-treinados (LLMS) para extrair relacionamentos em potencial da linguagem natural; Conexões; finalmente, o gráfico de conhecimento construído é combinado com redes neurais gráficas (GNNs), para que o sistema de recomendação possa usar os recursos do nó e as estruturas do gráfico para fornecer recomendações mais precisas, permanecendo sensíveis a preferências pessoais e tendências de usuários.
Para verificar a eficácia da estrutura do autógrafo, os pesquisadores compararam os conjuntos de dados dos serviços de comércio eletrônico e streaming. Os resultados mostram que a estrutura melhora significativamente a precisão das recomendações, indicando sua forte capacidade de fornecer recomendações relevantes. Além disso, o autógrafo mostra melhor escalabilidade ao processar grandes conjuntos de dados e é significativamente menor nos requisitos de computação do que os métodos tradicionais de construção de gráficos. A combinação de processos automatizados e algoritmos avançados ajuda a reduzir o consumo de recursos sem afetar a qualidade dos resultados.
O lançamento da estrutura do autógrafo marca um importante avanço no campo dos sistemas de recomendação. Sua capacidade de criar gráficos automaticamente lida efetivamente com desafios de escalabilidade, adaptabilidade e contexto de longa data. O sucesso dessa estrutura demonstra o potencial transformador de combinar LLMs com sistemas gráficos, estabelecendo novos padrões para futuras pesquisas e aplicações de recomendação personalizada.
Entrada de papel: https://arxiv.org/abs/2412.18241
Pontos -chave:
** Construção automática de gráficos com base no LLMS **: A estrutura de autógrafos analisa automaticamente a entrada do usuário, extrai relacionamentos e cria um gráfico de conhecimento por meio de modelos de idiomas grandes pré-treinados.
** Melhora significativamente a precisão da recomendação **: Nos benchmarks, essa estrutura melhora significativamente a precisão da recomendação nos conjuntos de dados de comércio eletrônico e streaming.
** Reduza o consumo de recursos **: Comparado com os métodos tradicionais, o autógrafo tem um desempenho excelente nos requisitos de computação e demonstra boa escalabilidade.