Дослідження та застосування генеративних моделей в рекомендаційних системах

Abstract

Об’єкт дослідження – процес побудови та оцінювання рекомендаційних систем на основі історії взаємодій користувачів із товарами. Предмет дослідження – методи використання великих мовних моделей для формування синтетичних сигналів у рекомендаційних системах. Мета роботи – дослідити, чи можуть LLM-згенеровані дані покращити якість рекомендацій, та визначити найбільш ефективний спосіб їх застосування. У роботі використано набір даних Amazon Appliances. Виконано очищення даних, об’єднання взаємодій із метаданими та k-core фільтрацію. Досліджено два способи використання LLM: генерацію synthetic user item interactions та побудову item-item semantic similarity. Встановлено, що пряме генерування user-item взаємодій не дає стабільного покращення, оскільки такі дані не відображають реальну поведінку користувачів. Кращі результати отримано при використанні LLM як джерела item item семантичної подібності та сигналу для recent-history reranking. Приріст NDCG@20 становив 4,34 % для Item-CF, 4,89 % для GRU4Rec, 2,25 % для LightGCN і 9,64 % для BPR-MF. Зроблено висновок, що LLM доцільніше використовувати для семантичного доповнення рекомендаційних моделей, а не для генерації штучної поведінки користувачів.