Рекомендательный ИИ-агент: интеграция больших языковых моделей для интерактивных рекомендаций

Рекомендательные модели выявляют постоянно меняющиеся предпочтения пользователей путем обучения на внутридоменном массиве данных о поведении пользователей. Такие модели обычно являются легковесными, что обеспечивает работу онлайн-сервисов в реальном времени и в масштабах, охватывающих большое число пользователей. Однако при выполнении более сложных функций, таких как предоставление объяснений или ведение диалога, эти модели часто оказываются недостаточно эффективными. В последнее время большие языковые модели (LLM) стали важным шагом на пути к созданию общего искусственного интеллекта, продемонстрировав впечатляющие способности к пониманию инструкций, рассуждению и взаимодействию с людьми. К сожалению, LLM не обладают достаточным пониманием предметно-ориентированных каталогов товаров и моделей поведения, особенно в областях, отклоняющихся от общих знаний о мире, таких как электронная коммерция. Это ограничение не позволяет напрямую использовать их в качестве рекомендательных моделей. В настоящей статье мы устраняем разрыв между рекомендательными моделями и LLM, объединяя их сильные стороны для создания интерактивной рекомендательной системы. Мы представляем эффективную платформу InteRecAgent, в которой LLM выполняют роль мозга, а рекомендательные модели — роль инструментальных средств. Сначала мы описываем минимальный набор необходимых инструментов, требуемых для преобразования LLM в InteRecAgent. Для преодоления специфических трудностей, связанных с агентами на основе LLM в рекомендательных системах, мы совершенствуем три ключевых компонента: механизм памяти, планирование задач и способность к обучению использованию инструментов. InteRecAgent позволяет традиционным рекомендательным системам, таким как модели матричной факторизации на основе идентификаторов, превращаться в универсальные интерактивные системы с интерфейсом на естественном языке за счет интеграции LLM. Результаты экспериментов на трех общедоступных наборах данных показывают, что InteRecAgent обеспечивает высокую эффективность в качестве диалоговой рекомендательной системы, превосходя универсальные LLM, такие как GPT-4.