Os sistemas de recomendação linear desempenham um papel importante na criação de uma experiência de utilizador personalizada em várias plataformas, mas também enfrentam desafios persistentes. Tradicionalmente, estes sistemas baseiam-se em históricos de interação do utilizador para prever preferências, muitas vezes resultando em recomendações generalizadas. Embora a integração de dados de suporte, como descrições de itens ou previsões de intenções, possa fornecer algumas melhorias, esses sistemas lutam para se adaptar às decisões do usuário em tempo real. Além disso, a ausência de parâmetros de referência abrangentes para avaliar a compreensão popular limita a capacidade de avaliar a sua eficácia em vários contextos.
Para resolver essas questões, uma equipe de pesquisadores da Meta AI, Unidade ELLIS, LIT AI Lab, Institute for Machine Learning, JKU Linz, Áustria, e da Universidade de Wisconsin, Madison, introduziu um paradigma chamado. escolha o que você vêÉ suportado por um modelo de recuperação gerado O Remendador (Discernidor de preferência multimodal). Esta abordagem impõe implicitamente programas de recomendação às preferências do usuário expressas em linguagem natural. Usando modelos linguísticos de grande escala (LLMs), a estrutura extrai preferências de atualizações e dados específicos de objetos, transformando-os em informações acionáveis.
O Mender captura objetos em dois níveis de citação: IDs semânticos e descrições em linguagem natural. Essa abordagem multimodal garante uma compreensão mais sutil das preferências do usuário. Ao combinar a estimativa de preferência – encontrar preferências a partir dos dados do usuário – com o estado de preferência, o Mender permite que os sistemas se adaptem dinamicamente às preferências de um usuário específico. Além disso, a Meta AI introduziu um benchmark que avalia a seleção de escolhas em todas as cinco dimensões: recomendação baseada em preferências, seguimento de emoções, orientação forte e forte e integração histórica, estabelecendo um novo padrão para testes de personalização.
Características técnicas e benefícios do Mender
O design do Mender se concentra em combinar as preferências do usuário com dados para facilitar a interação. Ele usa modelos de linguagem pré-treinados para combinar preferências e históricos de interação com a linguagem natural. Seus mecanismos de atenção permitem ao decodificador prever os IDs semânticos dos objetos recomendados. O Mender vem em dois tipos:
- MenderTok: processa completamente as preferências e a sequência do objeto, suporta ajuste fino.
- MenderEmb: Pré-calcula a incorporação para um treinamento eficiente.
Os principais benefícios do Mender incluem:
- Direção de preferência: recomendações de integração baseadas nas preferências especificadas pelo usuário.
- Combinando Emoções: Usando as emoções do usuário para melhorar a precisão.
- Síntese Histórica: Combinando novas preferências com dados históricos para melhorar os resultados.
Resultados e detalhes
O teste Meta AI do Mender destaca suas melhorias significativas de desempenho em conjuntos de dados como análises da Amazon e Steam. Por exemplo:
- Você tem Subconjunto Amazon BeautyMenderTok melhorou o Recall@10 em mais de 45% em comparação com os modelos básicos.
- Em próximo sentimentoO Mender identificou e agiu com sucesso de acordo com o sentimento do usuário, superando outros métodos em até 86%.
- Porque bom volanteO Mender alcançou uma melhoria relativa de 70,5%, demonstrando a sua capacidade de alinhar recomendações com preferências diferenciadas.
A conclusão
O paradigma cognitivo da Meta AI oferece uma nova perspectiva sobre sistemas de recomendação linear, focando nas preferências implícitas do usuário expressas em linguagem natural. Ao combinar LLMs, apresentações multimodais e benchmarking robusto, esta abordagem melhora a personalização ao mesmo tempo que fornece uma estrutura para desenvolvimento futuro. Com programas e benchmarks de código aberto, este trabalho tem potencial para atingir uma ampla gama de aplicações, desenvolvendo um campo de recomendações personalizadas.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 60k + ML.
🚨 Tendências: LG AI Research Release EXAONE 3.5: Modelos de três níveis de IA bilíngue de código aberto oferecem seguimento de comando incomparável e insights profundos de conteúdo Liderança global em excelência em IA generativa….
Asif Razzaq é o CEO da Marktechpost Media Inc. Como empresário e engenheiro visionário, Asif está empenhado em aproveitar o poder da Inteligência Artificial em benefício da sociedade. Seu mais recente empreendimento é o lançamento da Plataforma de Mídia de Inteligência Artificial, Marktechpost, que se destaca por sua ampla cobertura de histórias de aprendizado de máquina e aprendizado profundo que parecem tecnicamente sólidas e facilmente compreendidas por um amplo público. A plataforma possui mais de 2 milhões de visualizações mensais, o que mostra sua popularidade entre o público.
🧵🧵 [Download] Avaliação do relatório de trauma do modelo de linguagem principal (estendido)
