Las recomendaciones personalizadas se han convertido en un componente vital de muchos sistemas digitales, con el objetivo de superficie de contenido, productos o servicios que se alineen con las preferencias del usuario. El proceso se basa en analizar el comportamiento pasado, las interacciones y los patrones para predecir lo que es probable que los usuarios encuentren relevantes. Con el tiempo, las técnicas han cambiado del filtrado básico a los modelos avanzados impulsados por la comprensión del lenguaje. Estos avances permiten que los sistemas proporcionen no solo recomendaciones más precisas, sino también las que se adaptan a los intereses en evolución de los usuarios, mejorando así el compromiso y la satisfacción.
El desafío clave para hacer recomendaciones radica en comprender las preferencias sutiles y dinámicas de los usuarios. A menudo, los sistemas fallan cuando el historial de usuarios es escaso o cuando surgen nuevos comportamientos que difieren de los patrones anteriores. Los métodos de recuperación simples basados en la similitud o aquellos que dependen de la recencia se quedan cortas en el modelado de intereses a largo plazo o cambios de contexto. A medida que las necesidades de los usuarios cambian con frecuencia, los sistemas que carecen de razonamiento semántico luchan para proporcionar resultados relevantes. Esto lleva a malas experiencias de recomendación donde el contenido parece desconectado de lo que el usuario está buscando actualmente.
Algunos enfoques ampliamente utilizados, como la clasificación basada en la recencia, seleccionan elementos basados en cómo recientemente un usuario ha interactuado con ellos. Otros usan la generación de recuperación de la recuperación (TRAPO), que selecciona contenido en función de la similitud semántica de incrustación entre el historial del usuario y los metadatos del elemento. El marco de Vanilla Rag aplica el retiro basado en la incrustación, pero no incorpora un razonamiento profundo o la comprensión de la sesión cruzada. Si bien estos sistemas recuperan artículos técnicamente relevantes, a menudo no pueden filtrar y clasificarlos de una manera que captura con precisión la intención del usuario, especialmente en diversos dominios como ropa o electrónica, donde el contexto es crucial.
Investigadores de Walmart Global Tech propusieron un nuevo sistema de múltiples agentes llamado ARAG (generación de recuperación de agente). La investigación introdujo Arag como una colaboración estructurada de agentes especializados, cada uno diseñado para manejar una parte específica del proceso de recomendación. Estos agentes incluyen un agente de comprensión del usuario para perfilar el comportamiento del usuario, un agente de inferencia de lenguaje natural (NLI) para calificar la alineación de elementos con preferencias, un agente de resumen de contexto para condensar contenido relevante y un agente de rango de elementos que finaliza la lista clasificada. Cada agente realiza un razonamiento adaptado a su tarea, lo que hace que la recomendación esté más alineada con el contexto histórico y a nivel de sesión.
El flujo de trabajo de Arag comienza con la recuperación de un amplio conjunto de elementos candidatos utilizando similitud de coseno en un espacio de incrustación. El agente NLI luego evalúa qué tan bien se alinea los metadatos textuales de cada elemento con la intención del usuario inferido. Los elementos con puntajes de alineación más altos proceden al agente de resumen de contexto, que compila información clave para la clasificación. Simultáneamente, el agente de comprensión del usuario genera un resumen basado en el comportamiento del usuario pasado y reciente. Estos resúmenes guían al agente de Ranker de ítem para clasificar y priorizar elementos en orden de relevancia probable. Todo el proceso ocurre en un espacio de memoria compartido, lo que permite a los agentes razonar en función de los hallazgos de los demás. Esta configuración admite el procesamiento paralelo, asegurando que la salida final incorpore todos los aspectos de la intención y el contexto del usuario.
Cuando se probó en el conjunto de datos de revisión de Amazon, cubriendo categorías como ropa, electrónica y hogar, Arag mostró mejoras consistentes y fuertes. En la categoría de ropa, Arag logró un aumento del 42.12% en NDCG@5 y un 35.54% en HIT@5 en comparación con los métodos basados en la recencia. En electrónica, mejoró NDCG@5 por 37.94% y alcanzó el@5 por 30.87%. La categoría de inicio también mostró mejoras significativas, con NDCG@5 aumentando en un 25.60% y alcanzará el@5 en un 22.68%. Estas métricas destacan qué tan bien Arag clasifica los elementos relevantes cerca de la parte superior de la lista. Un estudio de ablación confirmó aún más el valor de cada agente. La eliminación del NLI y los agentes de resumen de contexto dieron como resultado una menor precisión, lo que indica que el modelo de razonamiento de agente mejora el rendimiento general.
Los investigadores abordaron un problema claro en los sistemas de recomendación: la incapacidad de comprender profundamente el contexto del usuario. Su solución propuesta, construida alrededor de la colaboración entre agentes especializados, muestra mejoras significativas en la precisión y relevancia. Este enfoque demuestra cómo los marcos orientados al razonamiento pueden remodelar los sistemas de recomendación para servir mejor a la intención y el contexto del usuario.
Mira el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto.
Oportunidad de patrocinio: ¿Quieres llegar a los desarrolladores de IA más influyentes en los Estados Unidos y Europa? Únase a nuestro ecosistema de lectores mensuales de 1M+ y 500k+ miembros de la comunidad comprometidos. [Explore Sponsorship]
Nikhil es consultor interno en MarktechPost. Está buscando un doble grado integrado en materiales en el Instituto Indio de Tecnología, Kharagpur. Nikhil es un entusiasta de AI/ML que siempre está investigando aplicaciones en campos como biomateriales y ciencias biomédicas. Con una sólida experiencia en la ciencia material, está explorando nuevos avances y creando oportunidades para contribuir.