Meta AI представила новую концепцию «Определение предпочтений» с помощью генеративной модели поиска «Mender»

Системы последовательных рекомендаций и их значение

Системы последовательных рекомендаций играют важную роль в создании персонализированного опыта пользователей на различных платформах. Однако они сталкиваются с рядом проблем. Традиционно такие системы основываются на истории взаимодействий пользователей, что часто приводит к общим рекомендациям. Интеграция дополнительных данных, таких как описания товаров, может немного улучшить ситуацию, но системы все равно не всегда могут адаптироваться к предпочтениям пользователей в реальном времени.

Решение проблем с помощью Mender

Исследователи из Meta AI и других организаций разработали новую парадигму, называемую “различение предпочтений”, с поддержкой генеративной модели извлечения Mender (Мульти-модальный различитель предпочтений). Этот подход позволяет системам рекомендаций учитывать предпочтения пользователей, выраженные на естественном языке.

Как работает Mender

Mender извлекает предпочтения из отзывов и данных о товарах, превращая их в полезные инсайты. Он работает на двух уровнях: семантические идентификаторы и описания на естественном языке, что обеспечивает более глубокое понимание предпочтений пользователей.

Преимущества Mender

Динамическое управление предпочтениями: Рекомендации адаптируются в зависимости от предпочтений пользователей.
Интеграция настроений: Учет пользовательских настроений для повышения точности рекомендаций.
Консолидация истории: Объединение новых предпочтений с историческими данными для улучшения результатов.

Результаты и выводы

Оценка Mender показала значительные улучшения в производительности на таких наборах данных, как отзывы Amazon и Steam. Например:

На подмножестве Amazon Beauty MenderTok улучшил Recall@10 более чем на 45% по сравнению с базовыми моделями.
Mender эффективно определял и учитывал пользовательские настроения, превосходя другие методы до 86%.
Для тонкой настройки Mender достиг 70.5% относительного улучшения, демонстрируя способность согласовывать рекомендации с нюансами предпочтений.

Заключение

Парадигма различения предпочтений от Meta AI предлагает новый взгляд на системы последовательных рекомендаций, акцентируя внимание на явных предпочтениях пользователей. Интеграция больших языковых моделей и мультимодальных представлений улучшает персонализацию и создает основу для будущих разработок.

Как использовать ИИ для развития бизнеса

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ), следуйте этим шагам:

Проанализируйте, как ИИ может изменить вашу работу.
Определите ключевые показатели эффективности (KPI), которые хотите улучшить с помощью ИИ.
Подберите подходящее решение, учитывая множество доступных вариантов ИИ.
Внедряйте ИИ постепенно: начните с небольшого проекта и анализируйте результаты.
На основе полученных данных расширяйте автоматизацию.