В сфере многоуровневой электронной коммерции платформы, такие как DoorDash, сталкиваются с уникальными проблемами, особенно с новыми категориями, такими как продукты и розничная торговля. Ключевой проблемой является дилемма 'холодного старта', когда данных о пользователях недостаточно для эффективной персонализации. В этой статье предлагается инновационная структура, направленная на улучшение систем рекомендаций, используя знания из хорошо развитых вертикалей, таких как рестораны, для обогащения менее развитых. Используя большие языковые модели (LLMs), мы можем генерировать высокоразмерные характеристики, отражающие скрытые предпочтения пользователей. Наш метод применяет иерархический подход к генерации, дополненной извлечением (RAG), для извлечения многоуровневых таксономических характеристик из заказов и поисковых запросов пользователей. Эти сгенерированные характеристики захватывают как долгосрочные кросс-вертикальные интересы, так и краткосрочные намерения. Мы интегрируем эти знания в модель ранжирования многозадачного обучения (MTL), демонстрируя через тщательные оценки, что наша стратегия значительно улучшает персонализацию и вовлеченность пользователей в новых вертикалях, эффективно закрывая пробел в поведенческих данных.
Преодоление Поведенческих Силосов с Помощью LLM для Улучшенных Многоуровневых Рекомендаций
В этой статье рассматриваются инновационные стратегии улучшения персонализированных рекомендаций в различных секторах электронной коммерции с использованием больших языковых моделей.
5 min readТехнологии