Superando Silos Comportamentales con LLMs para Recomendaciones Multi-Verticales Mejoradas

En el ámbito del comercio electrónico multi-vertical, plataformas como DoorDash enfrentan desafíos únicos, especialmente con categorías más nuevas como la de comestibles y retail. Un problema clave es el dilema del 'cold start', donde los datos de los usuarios son insuficientes para una personalización efectiva. Este artículo presenta un marco innovador destinado a mejorar los sistemas de recomendación aprovechando conocimientos de verticales consolidadas, como los restaurantes, para enriquecer aquellos que están menos desarrollados. Utilizando Modelos de Lenguaje de Gran Tamaño (LLMs), podemos generar características de alta dimensión que reflejan las preferencias latentes de los usuarios. Nuestro enfoque emplea un pipeline jerárquico de Generación Aumentada por Recuperación (RAG) para extraer características taxonómicas a múltiples niveles a partir de los pedidos y comportamientos de búsqueda de los usuarios. Estas características generadas capturan tanto intereses transversales a largo plazo como intenciones inmediatas. Integramos estos conocimientos en un modelo de clasificación de Aprendizaje Multi-Tarea (MTL), demostrando a través de evaluaciones rigurosas que nuestra estrategia mejora significativamente la personalización y el compromiso del usuario en verticales emergentes, cerrando efectivamente la brecha de datos de comportamiento.