Review-LLM: Комплексная AI-платформа для генерации персонализированных отзывов с использованием крупных языковых моделей и исторических данных пользователей в системах рекомендаций
Генерация персонализированных отзывов в системах рекомендаций — это область повышающего интереса, особенно создание индивидуальных отзывов на основе исторических взаимодействий и предпочтений пользователей. Это включает использование данных о предыдущих покупках и отзывах пользователей для создания отзывов, отражающих их уникальные предпочтения и опыт, улучшая общую эффективность систем рекомендаций.
Инновационные методы генерации отзывов
Недавние исследования затрагивают проблему создания персонализированных отзывов, соответствующих опыту и предпочтениям пользователей. Многие пользователи оставляют только оценки без подробных отзывов после покупки, что затрудняет улавливание тонких нюансов удовлетворения и неудовлетворения пользователя. Этот пробел в подробной обратной связи требует инновационных методов, чтобы гарантировать, что создаваемые отзывы персонализированы и отражают истинные чувства пользователей.
Применение методов генерации отзывов
Существующие методы генерации отзывов часто используют нейронные сети кодировщик-декодировщик. Эти методы обычно используют дискретные атрибуты, такие как идентификаторы пользователей и товаров, а также оценки для создания отзывов. Более новые подходы включают текстовую информацию из названий товаров и исторических отзывов для улучшения качества создаваемых отзывов. Например, модели, такие как ExpansionNet и RevGAN, разработаны для интеграции фраз из названий товаров и меток оценок в процесс генерации отзывов, улучшая их релевантность и персонализацию.
Эффективное использование LLM
Исследователи из Тяньцзиньского университета и Du Xiaoman Financial представили новую платформу под названием Review-LLM, разработанную для использования возможностей LLM, таких как Llama-3. Эта платформа агрегирует исторические действия пользователя, включая названия товаров и соответствующие отзывы, для создания вводных подсказок, отражающих особенности интересов пользователя и стили написания отзывов. Этот подход предназначен для улучшения персонализации создаваемых отзывов.
Оценка производительности Review-LLM
Производительность Review-LLM была оценена с использованием нескольких метрик, включая ROUGE-1, ROUGE-L и BertScore. Экспериментальные результаты показали, что отточенная модель превзошла существующие модели, включая GPT-3.5-Turbo и GPT-4o, в генерации персонализированных отзывов. Модель Review-LLM достигла ROUGE-1 в 31,15 и ROUGE-L в 26,88, в то время как у GPT-3.5-Turbo эти показатели составили 17,62 и 10,70 соответственно. Особенно примечательна способность модели генерировать негативные отзывы от недовольных пользователей.
Review-LLM эффективно использует LLM для генерации персонализированных отзывов, интегрируя исторические данные и оценки пользователей. Этот подход решает проблему создания отзывов, отражающих уникальные предпочтения и опыт пользователей, улучшая общую точность и актуальность генерации отзывов в системах рекомендаций.
В заключение, платформа Review-LLM производит высоко персонализированные отзывы, отражающие предпочтения и опыт пользователей, используя подробные исторические данные и сложные методы отточки. Это исследование демонстрирует потенциал LLM для значительного улучшения качества и персонализации отзывов в системах рекомендаций, решая проблему генерации осмысленных и индивидуальных отзывов. Экспериментальные результаты, включая выдающиеся показатели производительности и результаты человеческой оценки, подчеркивают эффективность подхода Review-LLM.
