Большие языковые модели для рекомендательных систем

Рекомендательные системы зачастую построены на моделях совместной фильтрации (CF), которые сталкиваются с трудностями при эффективном улавливании семантических связей при работе с профилями и адаптации к часто меняющимся предпочтениям пользователей. Большие языковые модели (LLM) способны решить возникающую проблему с текстовыми данными для улучшения качества моделей CF. Однако, необходимость частых обновлений может стать препятствием на пути к онлайн-масштабируемости. Целью этой работы было исследование возможности переноса знаний из LLM в произвольную модель CF без необходимости частых вызовов LLM во время предсказания, что привело к разработке нового модельно-независимого подхода под названием «LLM-as-a-Guide». Общая идея состоит в том, чтобы обучить модель CF восстановлению функций на выбранном промежуточном уровне путем внедрения моделей CF в структуру кодера-декодера. Представленный метод оценивается по двум сценариям: онлайн и офлайн. Полученные результаты демонстрируют улучшение производительности динамических обновлений в представленном методе и улучшенное обобщение на различных моделях и наборах данных CF. Благодаря интеграции функций, созданных LLM, в модели CF, представленный подход демонстрирует повышение производительности и эффективности рекомендаций и обновлений.