Combler les Silos Comportementaux avec des LLM pour des Recommandations Multi-Verticales Améliorées

Dans le domaine du e-commerce multi-vertical, des plateformes comme DoorDash rencontrent des défis uniques, notamment avec des catégories récentes telles que l'épicerie et le commerce de détail. Un problème majeur est le dilemme du 'cold start', où les données utilisateur sont insuffisantes pour une personnalisation efficace. Cet article propose un cadre innovant visant à améliorer les systèmes de recommandation en s'appuyant sur des insights provenant de verticales bien établies, comme les restaurants, pour enrichir celles qui sont moins développées. En utilisant des modèles de langage de grande taille (LLM), nous pouvons générer des caractéristiques de haute dimension qui reflètent les préférences latentes des utilisateurs. Notre méthode utilise une approche hiérarchique de génération augmentée par récupération (RAG) pour extraire des caractéristiques taxonomiques à plusieurs niveaux à partir des commandes et des comportements de recherche des utilisateurs. Ces caractéristiques générées capturent à la fois les intérêts transversaux durables et les intentions immédiates des utilisateurs. Nous intégrons ces insights dans un modèle de classement d'apprentissage multi-tâches (MTL), démontrant à travers des évaluations rigoureuses que notre stratégie améliore considérablement la personnalisation et l'engagement des utilisateurs dans les verticales émergentes, comblant ainsi le vide de données comportementales.