Mejorando las recomendaciones con racionales de usuario articulados

Los sistemas de recomendación modernos se basan principalmente en indicadores implícitos de las preferencias de los usuarios, como clics y tiempo de visualización. Sin embargo, estas métricas a menudo no explican las razones subyacentes detrás de los gustos o disgustos de los usuarios. Esta investigación introduce las racionales de usuario articuladas (AUR), que son explicaciones textuales generadas por los usuarios sobre sus preferencias, como una fuente valiosa de información para las recomendaciones. A pesar de su potencial, las AUR presentan desafíos en aplicaciones prácticas debido a su naturaleza escasa, calidad inconsistente y cobertura limitada. Para abordar estos problemas, proponemos SARA (Scaling Articulated Rationales), un marco integral diseñado para transformar las AUR escasas en señales de recomendación efectivas. SARA comienza desarrollando un motor de datos que recopila y refina AUR de 240 millones de usuarios de Kuaishou Live, resultando en el conjunto de datos SARA-HQ, que enfatiza la calidad y el enfoque en el usuario. Posteriormente, un MLLM de propósito general se adapta a SARA-7B a través de un extenso ajuste fino y procesos de mejora de calidad, ampliando las capacidades de generación de racionales a una base de autores más amplia. Finalmente, SARA-Ranker incorpora estas racionales en los sistemas de clasificación de producción, utilizando técnicas avanzadas de modelado de interacción. Evaluaciones rigurosas demuestran que SARA-7B produce racionales más coherentes y contextualmente relevantes, mientras que SARA-Ranker mejora el compromiso del usuario y minimiza la retroalimentación negativa.