בעולם שבו מנועי המלצות קובעים את חוויית המשתמש, מודלי שפה גדולים (LLMs) מבטיחים פוטנציאל להמלצות ברות הסבר, אך מתעלמים מסיגנלים שיתופיים. מחקר חדש מציג את RGCF-XRec – מסגרת היברידית המשלבת ידע מסננת שיתופית מונחית חשיבה במודל שפה, ומספקת המלצות רציפות ברות הסבר בשלב אחד בלבד. המחקר, שפורסם ב-arXiv, מדגים שיפורים משמעותיים במדדי ביצועים על נתוני אמזון.
RGCF-XRec מציעה שלושה יתרונות מרכזיים על פני שיטות קודמות המשלבות CF ב-LLMs. ראשית, העשרת ידע CF מונחית חשיבה באמצעות הנחיות הקשריות, שמגלות העדפות סמויות ומסלולי חשיבה פרשניים. שנית, מנגנון ציון יעיל המבוסס על ארבעה מימדים: עקביות, שלמות, רלוונטיות ועקביות, שמסנן עקבות חשיבה רועשות ומשמר הסברים איכותיים. שלישית, רשת למידת ייצוג מאוחדת שמקודדת סיגנלים שיתופיים וסמנטיים, מאפשרת הנחיה מובנית למודל להמלצות רציפות ברות הסבר.
בניסויים על מאגרי נתונים מאמזון – ספורט, צעצועים וטיפוח (642,503 אינטראקציות משתמש-פריט) – RGCF-XRec משפרת את HR@10 ב-7.38% בקטגוריית ספורט וב-4.59% בצעצועים, לצד שיפור ROUGE-L של 8.02% ו-3.49% בהתאמה. היא מצמצמת את הפער בביצועים בין מצבים קרים לחמים, עם שיפורים כוללים של 14.5% בהתחלה קרה ו-11.9% בהתחלה חמה. כמו כן, היא משפרת HR@5 באפס-שוט ב-18.54% בטיפוח וב-23.16% בצעצועים, מה שמעיד על הכללה וחוסן גבוהים.
המשמעות העסקית של RGCF-XRec גדולה במיוחד עבור פלטפורמות מסחר אלקטרוני ומדיה, שבהן הסברים איכותיים מגבירים אמון משתמשים ומכירות. השיטה מבוססת על LLaMA 3.2-3B קל משקל, מה שמבטיח יעילות אימון וסקיילביליות ליישומים אמיתיים. בהשוואה לשיטות נפרדות להמלצה והסבר, היא חוסכת זיכרון ומפחיתה מורכבות.
עבור מנהלי עסקים ישראלים בתחום הטכנולוגיה, RGCF-XRec מציעה הזדמנות לשדרג מערכות המלצות קיימות. כיצד תיישמו חשיבה מונחית כדי לשפר את חוויית הלקוחות שלכם? המחקר מדגיש את הצורך בשילוב סיגנלים שיתופיים ב-LLMs להשגת ביצועים עליונים.