AI система для персонализированной генерации отзывов в рекомендательных системах

«`html

Персонализированная генерация отзывов в системах рекомендаций

Практические решения и ценность

Генерация персонализированных отзывов в рамках систем рекомендаций представляет собой важную область, особенно в создании индивидуальных отзывов на основе исторических взаимодействий и предпочтений пользователей. Это включает использование данных о предыдущих покупках и обратной связи пользователей для создания отзывов, которые точно отражают их уникальные предпочтения и опыт, улучшая в целом эффективность систем рекомендаций.

Недавние исследования решают проблему генерации персонализированных отзывов, соответствующих опыту и предпочтениям пользователей. Многие пользователи после покупок оставляют только оценки без детальных отзывов, что усложняет улавливание тонкостей удовлетворения и неудовлетворения пользователя. Этот недостаток подробной обратной связи требует инновационных методов, чтобы гарантировать персонализацию и отражение истинных чувств пользователей в сгенерированных отзывах.

Существующие методы генерации отзывов часто используют нейронные сети с архитектурой кодер-декодер. Эти методы обычно используют дискретные атрибуты, такие как идентификаторы пользователя и товара, а также оценки для генерации отзывов. Более современные подходы включают текстовую информацию из названий товаров и исторических отзывов для улучшения качества сгенерированных отзывов. Например, модели типа ExpansionNet и RevGAN разработаны для интеграции фраз из названий товаров и меток настроения в процесс генерации отзывов, улучшая их релевантность и персонализацию.

Исследователи из Тяньцзиньского университета и Du Xiaoman Financial представили новую структуру под названием Review-LLM, разработанную для использования возможностей LLM, таких как Llama-3. Эта структура агрегирует историческое поведение пользователя, включая названия товаров и соответствующие отзывы, для создания входных подсказок, учитывающих особенности интересов пользователя и стили письма отзывов. Этот подход улучшает персонализацию сгенерированных отзывов.

Структура Review-LLM использует подход обучения с учителем, где входная подсказка включает исторические взаимодействия пользователя, названия товаров, отзывы и оценки. Это позволяет LLM лучше понимать предпочтения пользователя и генерировать более точные и персонализированные отзывы. Процесс подстройки включает адаптацию LLM для генерации отзывов на основе информации, специфичной для пользователя. Например, модель воссоздает входные данные, агрегируя последовательность поведения пользователя, включая названия товаров и соответствующие отзывы, что позволяет модели изучать особенности интересов пользователя и стили письма отзывов из семантически насыщенной текстовой информации. Включение рейтинга пользователя товара в подсказку помогает модели понять уровень удовлетворенности пользователя.

Производительность Review-LLM была оценена с использованием нескольких метрик, включая ROUGE-1, ROUGE-L и BertScore. Экспериментальные результаты показали, что настроенная модель превзошла существующие модели, включая GPT-3.5-Turbo и GPT-4o, в генерации персонализированных отзывов. Например, Review-LLM достигла показателя ROUGE-1 31,15 и ROUGE-L 26,88, по сравнению с показателями GPT-3.5-Turbo в 17,62 и 10,70 соответственно. Особенно заметна способность модели генерировать отрицательные отзывы для недовольных пользователей. Человеческая оценка, включающая 10 аспирантов, знакомых с генерацией отзывов/текстов, также подтвердила эффективность модели. Процент сгенерированных отзывов, помеченных как семантически схожие с эталонными отзывами, значительно выше для Review-LLM по сравнению с базовыми моделями.

Структура Review-LLM эффективно использует LLM для генерации персонализированных отзывов, интегрируя исторические поведения пользователя и оценки. Этот подход решает проблему создания отзывов, отражающих уникальные предпочтения и опыт пользователей, улучшая общую точность и релевантность генерации отзывов в системах рекомендаций. Исследование показывает, что с помощью тщательной настройки LLM с подробными входными подсказками, включающими взаимодействия пользователя, названия товаров, отзывы и оценки, можно генерировать более точные и персонализированные отзывы, соответствующие истинным чувствам пользователей.

В заключение, структура Review-LLM производит высоко персонализированные отзывы, точно отражающие предпочтения и опыт пользователей, агрегируя детальные исторические данные пользователей и используя сложные техники настройки. Это исследование демонстрирует потенциал LLM для значительного улучшения качества и персонализации отзывов в системах рекомендаций, решая существующую проблему генерации содержательных и пользовательских отзывов. Экспериментальные результаты, включая значимые показатели производительности и результаты человеческой оценки, подчеркивают эффективность подхода Review-LLM.

Проверьте статью здесь. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter.

Присоединяйтесь к нашему каналу в Telegram и группе в LinkedIn.

Если вам нравится наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему сообществу в Reddit с 46 тыс. подписчиков.

Статья: Review-LLM: Comprehensive AI Framework for Personalized Review Generation Using Large Language Models and User Historical Data in Recommender Systems

«`