Améliorer les recommandations avec des rationales utilisateur articulées

Les systèmes de recommandation modernes s'appuient principalement sur des indicateurs implicites des préférences des utilisateurs, tels que les clics et la durée de visionnage. Cependant, ces mesures ne révèlent souvent pas les raisons sous-jacentes des goûts ou des aversions des utilisateurs. Cette recherche introduit les rationales utilisateur articulées (AUR), qui sont des explications textuelles générées par les utilisateurs de leurs préférences, comme une source précieuse d'informations pour les recommandations. Malgré leur potentiel, les AUR posent des défis dans les applications pratiques en raison de leur nature éparse, de leur qualité inconstante et de leur couverture limitée. Pour remédier à ces problèmes, nous proposons SARA (Scaling Articulated Rationales), un cadre complet conçu pour transformer les AUR épars en signaux de recommandation efficaces. SARA commence par développer un moteur de données qui collecte et affine les AUR de 240 millions d'utilisateurs de Kuaishou Live, aboutissant au jeu de données SARA-HQ, qui met l'accent sur la qualité et l'orientation utilisateur. Ensuite, un MLLM général est adapté en SARA-7B grâce à des processus de fine-tuning et d'amélioration de la qualité, élargissant les capacités de génération de rationales à une base d'auteurs plus large. Enfin, SARA-Ranker intègre ces rationales dans les systèmes de classement de production, en utilisant des techniques avancées de modélisation d'interaction. Des évaluations rigoureuses montrent que SARA-7B produit des rationales plus cohérentes et contextuellement pertinentes, tandis que SARA-Ranker améliore l'engagement des utilisateurs et minimise les retours négatifs.