Интеграция Текстовых Профилей с Латентными Представлениями Пользователей для Улучшенной Персонализации

Системы персонализированных рекомендаций в значительной степени зависят от представлений пользователей, которые связывают прошлое поведение с будущими предложениями. Традиционные подходы часто основываются на супервизированных латентных эмбеддингах, которые эффективны для извлечения, но трудны для интерпретации, или на текстовых профилях, которые легко понять, но сложно оптимизировать из-за недостатка прямого контроля. Для решения этой проблемы мы предлагаем BLUE, структуру обучения с подкреплением, которая объединяет эти два типа представления пользователей. Используя Модель Большого Языка (LLM), BLUE генерирует текстовые профили на основе истории взаимодействия пользователей, в то время как модель эмбеддинга предоставляет сигналы вознаграждения. Это согласование способствует тому, чтобы текстовые представления группировались вокруг положительных элементов и удалялись от отрицательных в пространстве эмбеддингов. Кроме того, мы вводим механизм контроля на основе предсказания следующего элемента, чтобы гарантировать, что созданные профили будут как семантически значимыми, так и эффективными для задач извлечения. Оценки на таких наборах данных, как Amazon Reviews 2023 и Google Local Reviews, показывают, что BLUE постоянно превосходит установленные базовые линии, демонстрируя свою надежность в сценариях кросс-доменной передачи. Профили, созданные BLUE, также предлагают улучшенные персонализированные контексты для ответов на вопросы по сравнению с традиционными методами. В целом, BLUE эффективно сочетает интерпретируемость текстовых профилей с дискриминационной силой латентных эмбеддингов для улучшенной персонализации.