Улучшение рекомендаций с помощью артикулированных пользовательских рационалов

Современные системы рекомендаций в основном полагаются на неявные индикаторы предпочтений пользователей, такие как клики и время просмотра. Однако эти метрики часто не объясняют основные причины, стоящие за симпатиями или антипатиями пользователей. Это исследование вводит артикулированные пользовательские рационалы (AUR), которые представляют собой текстовые объяснения, созданные пользователями для своих предпочтений, как ценную информацию для рекомендаций. Несмотря на их потенциал, AUR представляют собой проблемы в практическом применении из-за их разрозненности, непостоянного качества и ограниченного охвата. Чтобы решить эти проблемы, мы предлагаем SARA (Scaling Articulated Rationales), комплексную структуру, разработанную для преобразования разрозненных AUR в эффективные сигналы рекомендаций. SARA начинает с разработки движка данных, который собирает и уточняет AUR от 240 миллионов пользователей Kuaishou Live, в результате чего получается набор данных SARA-HQ, акцентирующий внимание на качестве и ориентации на пользователя. Затем общий MLLM адаптируется к SARA-7B через обширную донастройку и процессы повышения качества, расширяя возможности генерации рационалов на более широкую базу авторов. Наконец, SARA-Ranker интегрирует эти рационалы в системы ранжирования в производстве, используя передовые методы моделирования взаимодействия. Тщательные оценки показывают, что SARA-7B производит более согласованные и контекстуально релевантные рационалы, в то время как SARA-Ranker улучшает вовлеченность пользователей и минимизирует отрицательные отзывы.