Integración de Perfiles Textuales con Representaciones Latentes de Usuarios para una Personalización Mejorada

Los sistemas de recomendación personalizados dependen en gran medida de las representaciones de usuarios que conectan comportamientos pasados con sugerencias futuras. Los enfoques tradicionales suelen basarse en embeddings latentes supervisados, que son efectivos para la recuperación pero difíciles de interpretar, o en perfiles textuales que son fáciles de entender pero complicados de optimizar debido a la falta de supervisión directa. Para abordar este problema, proponemos BLUE, un marco de aprendizaje por refuerzo que unifica estos dos tipos de representación de usuarios. Utilizando un Modelo de Lenguaje de Gran Escala (LLM), BLUE genera perfiles textuales basados en el historial de interacciones del usuario, mientras que un modelo de embedding proporciona señales de recompensa. Este alineamiento fomenta que las representaciones textuales se agrupen alrededor de elementos positivos y se alejen de los negativos en el espacio de embeddings. Además, introducimos un mecanismo de supervisión basado en la predicción del siguiente elemento para asegurar que los perfiles aprendidos sean significativos y efectivos para tareas de recuperación. Las evaluaciones en conjuntos de datos como Amazon Reviews 2023 y Google Local Reviews muestran que BLUE supera constantemente las bases establecidas, demostrando su robustez en escenarios de transferencia cruzada. Los perfiles generados por BLUE también ofrecen contextos personalizados superiores para la respuesta a preguntas en comparación con métodos tradicionales. En resumen, BLUE combina de manera efectiva la interpretabilidad de los perfiles textuales con el poder discriminativo de los embeddings latentes para una mejor personalización.