AutoGraph: un marco de construcción automática de gráficos basado en LLM para recomendación

Mejorar las experiencias de los usuarios y aumentar la retención mediante sistemas de recomendación es una estrategia eficaz y en constante evolución utilizada por muchas industrias, como el comercio electrónico, los servicios de streaming, las redes sociales, etc. Estos sistemas deben analizar relaciones complejas entre usuarios, artículos y factores contextuales. para sugerir precisamente lo que el usuario podría querer. Sin embargo, los sistemas de recomendación existentes son estáticos y se basan en datos históricos sustanciales para establecer conexiones de manera efectiva. En escenarios de arranque en frío, que son muy frecuentes, mapear las relaciones se vuelve imposible, lo que debilita aún más estos sistemas. Investigadores de la Universidad Jiao Tong de Shanghai y el Laboratorio Arca de Noé de Huawei han introducido AutoGraph para abordar estos problemas. Este marco crea automáticamente gráficos que incorporan ajustes dinámicos y aprovecha los LLM para una mejor comprensión contextual.

Comúnmente se emplean sistemas de recomendación basados ​​en gráficos. Sin embargo, los sistemas actuales requieren que las personas configuren las funciones manualmente y sus conexiones en un gráfico, lo que consume mucho tiempo. Además, las reglas se establecen de antemano, lo que limita la forma en que estos gráficos podrían adaptarse. La incorporación de datos no estructurados, que potencialmente contienen información semántica rica sobre las preferencias del usuario, también es un tema importante. Por lo tanto, existe la necesidad de un nuevo método que pueda resolver los problemas de escasez de datos y la imposibilidad de capturar relaciones matizadas y ajustarse a las preferencias del usuario en tiempo real.

AutoGraph es un marco innovador para mejorar los sistemas de recomendación que aprovechan los modelos de lenguaje grandes (LLM) y los gráficos de conocimiento (KG). La metodología de AutoGraph se basa en estas características:

• Utilización de LLM previamente capacitados: el marco aprovecha los LLM previamente capacitados para analizar las aportaciones de los usuarios. Puede trazar relaciones basadas en el análisis del lenguaje natural, incluso aquellas que aparentemente están ocultas.
• Construcción de gráficos de conocimiento: después de la extracción de relaciones, los LLM generan gráficos, que pueden verse como representaciones estructuradas de las preferencias del usuario. Los algoritmos optimizan dichos gráficos para eliminar conexiones menos relevantes en un intento de maximizar la calidad del gráfico en su totalidad.
• Integración con Graph Neural Networks (GNN): el paso final del método propuesto es integrar el gráfico de conocimiento creado con Graph Neural Networks normales. Los GNN pueden proporcionar recomendaciones más precisas mediante el uso de características de nodo y estructura de gráficos, y son sensibles a las preferencias personales y tendencias más significativas entre los usuarios.

Para evaluar la eficacia del marco propuesto, los autores compararon las técnicas de recomendación tradicionales utilizando conjuntos de datos de servicios de streaming y comercio electrónico. Hubo una ganancia significativa en la precisión de las recomendaciones, lo que demuestra que el marco es lo suficientemente competente para dar recomendaciones relevantes. El método propuesto había mejorado la escalabilidad para tratar con grandes conjuntos de datos. El marco demostró requisitos computacionales reducidos en comparación con los enfoques tradicionales de construcción de gráficos. La automatización de procesos, junto con el uso de algoritmos avanzados, ayudó a reducir el uso de recursos sin comprometer la calidad de los resultados.

El marco Autograph representa un importante avance en los sistemas de recomendación. La automatización de la construcción de gráficos con LLM aborda desafíos de larga data de escalabilidad, adaptabilidad y conciencia contextual. El éxito del marco demuestra el potencial transformador de la integración de LLM en sistemas basados ​​en gráficos, estableciendo un nuevo punto de referencia para futuras investigaciones y aplicaciones en recomendaciones personalizadas. AutoGraph abre nuevas vías para experiencias de usuario personalizadas en diversos dominios al automatizar la construcción de gráficos de recomendación dinámicos y contextuales. Esta innovación destaca el papel cada vez mayor de los LLM para abordar los desafíos del mundo real, revolucionando la forma en que abordamos los sistemas de recomendación.

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.

🚨 PRÓXIMO SEMINARIO WEB GRATUITO SOBRE IA (15 DE ENERO DE 2025): Aumente la precisión del LLM con datos sintéticos e inteligencia de evaluación–Únase a este seminario web para obtener información práctica para mejorar el rendimiento y la precisión del modelo LLM y, al mismo tiempo, proteger la privacidad de los datos..