Les systèmes de recommandation personnalisée reposent fortement sur des représentations d'utilisateurs qui relient les comportements passés aux suggestions futures. Les approches traditionnelles s'appuient souvent sur des embeddings latents supervisés, efficaces pour la récupération mais peu interprétables, ou sur des profils textuels faciles à comprendre mais difficiles à optimiser en raison d'une supervision limitée. Pour résoudre ce problème, nous proposons BLUE, un cadre d'apprentissage par renforcement qui harmonise ces deux types de représentation utilisateur. En utilisant un Modèle de Langage de Grande Taille (LLM), BLUE génère des profils textuels basés sur l'historique d'interaction des utilisateurs, tandis qu'un modèle d'embedding fournit des signaux de récompense. Cette alignement encourage les représentations textuelles à se regrouper autour des éléments positifs et à s'éloigner des négatifs dans l'espace d'embedding. De plus, nous introduisons un mécanisme de supervision basé sur la prédiction du prochain élément pour garantir que les profils générés sont à la fois significatifs et efficaces pour les tâches de récupération. Les évaluations sur des ensembles de données comme Amazon Reviews 2023 et Google Local Reviews montrent que BLUE surpasse constamment les bases établies, démontrant sa robustesse dans des scénarios inter-domaines. Les profils produits par BLUE offrent également des contextes personnalisés améliorés pour le questionnement par rapport aux méthodes traditionnelles. En somme, BLUE combine efficacement l'interprétabilité des profils textuels avec la puissance discriminative des embeddings latents pour une personnalisation améliorée.
Intégration des Profils Textuels avec les Représentations Latentes des Utilisateurs pour une Personnalisation Améliorée
Cette étude présente un cadre novateur qui fusionne les profils utilisateurs textuels avec des embeddings latents pour améliorer les recommandations personnalisées.
5 min readTechnologie