Meta AI presenta un paradigma llamado “discernimiento de preferencias” respaldado por un modelo de recuperación generativo llamado “reparador”

Los sistemas de recomendación secuencial desempeñan un papel clave en la creación de experiencias de usuario personalizadas en varias plataformas, pero también enfrentan desafíos persistentes. Tradicionalmente, estos sistemas se basan en los historiales de interacción de los usuarios para predecir las preferencias, lo que a menudo conduce a recomendaciones genéricas. Si bien la integración de datos auxiliares, como descripciones de elementos o predicciones de intenciones, puede proporcionar algunas mejoras, estos sistemas tienen dificultades para adaptarse a las preferencias del usuario en tiempo real. Además, la ausencia de puntos de referencia integrales para evaluar el discernimiento de preferencias limita la capacidad de evaluar su efectividad en diversos escenarios.

Para abordar estos problemas, un equipo de investigadores de Meta AI, Unidad ELLIS, LIT AI Lab, Instituto de Aprendizaje Automático, JKU Linz, Austria, y la Universidad de Wisconsin, Madison, presenta un paradigma llamado discernimiento de preferenciasrespaldado por un modelo de recuperación generativo llamado Reparador (Discernidor de preferencias multimodales). Este enfoque condiciona explícitamente los sistemas de recomendación a las preferencias del usuario expresadas en lenguaje natural. Aprovechando los grandes modelos de lenguaje (LLM), el marco extrae preferencias de reseñas y datos específicos de elementos, transformándolos en información procesable.

Mender captura elementos en dos niveles de abstracción: identificaciones semánticas y descripciones en lenguaje natural. Este enfoque multimodal garantiza una comprensión más matizada de las preferencias del usuario. Al combinar la aproximación de preferencias (derivar las preferencias de los datos del usuario) con el condicionamiento de preferencias, Mender permite que los sistemas se adapten dinámicamente a las preferencias específicas del usuario. Además, Meta AI ha introducido un punto de referencia que evalúa el discernimiento de preferencias en cinco dimensiones: recomendación basada en preferencias, seguimiento de sentimientos, dirección detallada y general y consolidación del historial, estableciendo un nuevo estándar para evaluar la personalización.

Características técnicas y ventajas de Mender.

El diseño de Mender se centra en integrar perfectamente las preferencias del usuario con los datos de interacción. Utiliza modelos de lenguaje previamente entrenados para codificar preferencias e historiales de interacción en lenguaje natural. Sus mecanismos de atención cruzada permiten que el decodificador prediga los ID semánticos de los elementos recomendados. Mender viene en dos variantes:

  • MenderTok: Procesa preferencias y secuencias de elementos de manera integral, lo que permite realizar ajustes.
  • MenderEmb: Precalcula incorporaciones para un entrenamiento eficiente.

Los beneficios clave de Mender incluyen:

  • Dirección preferencial: Adaptación dinámica de recomendaciones en función de las preferencias especificadas por el usuario.
  • Integración de sentimientos: Utilizar la opinión del usuario para mejorar la precisión.
  • Consolidación de la historia: Fusionar nuevas preferencias con datos históricos para refinar los resultados.

Resultados y conocimientos

La evaluación de Mender por parte de Meta AI destaca sus importantes mejoras de rendimiento en conjuntos de datos como reseñas de Amazon y Steam. Por ejemplo:

  • en el Subconjunto de belleza de AmazonMenderTok mejoró Recall@10 en más de un 45 % en comparación con los modelos básicos.
  • En sentimiento siguienteMender identificó y actuó eficazmente sobre los sentimientos de los usuarios, superando a otros métodos hasta en un 86%.
  • Para dirección de grano finoMender logró una mejora relativa del 70,5 %, lo que demuestra su capacidad para alinear las recomendaciones con preferencias matizadas.

Conclusión

El paradigma de discernimiento de preferencias de Meta AI ofrece una nueva perspectiva sobre los sistemas de recomendación secuencial, centrándose en las preferencias explícitas del usuario articuladas en lenguaje natural. Al integrar LLM, representaciones multimodales y un punto de referencia sólido, este enfoque mejora la personalización al tiempo que proporciona un marco para el desarrollo futuro. Con planes para abrir el código subyacente y los puntos de referencia, este trabajo tiene el potencial de beneficiar a una amplia gama de aplicaciones, avanzando en el campo de las recomendaciones personalizadas.


Verificar el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. No olvides unirte a nuestro SubReddit de más de 60.000 ml.

🚨 Tendencias: LG AI Research lanza EXAONE 3.5: tres modelos bilingües de código abierto a nivel de inteligencia artificial de frontera que brindan un seguimiento de instrucciones incomparable y una amplia comprensión del contexto para el liderazgo global en la excelencia en inteligencia artificial generativa….


Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como emprendedor e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.