Рекомендательный ИИ-агент: интеграция больших языковых моделей для интерактивных рекомендаций
Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations
2025-04-21
SCID: 54.1/vaufpbvn
Discuss with AI
агенты на основе LLMдиалоговые рекомендательные системыинтерактивные рекомендательные системыбольшие языковые моделиобучение использованию инструментов
Figures from the paper
Abstract (AI)
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.
Key Findings
1
Эксперименты на трех общедоступных наборах данных показывают высокое качество разговорных рекомендаций и превосходство над универсальными LLM, включая GPT-4.
2
InteRecAgent использует LLM в качестве «мозга» системы, а рекомендательные модели — в качестве инструментов, превращая традиционные системы, включая матричную факторизацию по ID, в системы с интерфейсом на естественном языке.
3
Подход устраняет взаимодополняющие ограничения: рекомендательные модели испытывают недостаток разговорных возможностей, а LLM не обладают детальным пониманием специализированных каталогов товаров и поведения пользователей.
4
Фреймворк совершенствует механизмы памяти, планирование задач и обучение использованию инструментов для решения специфических проблем рекомендательных агентов на базе LLM.
5
В работе представлен эффективный фреймворк InteRecAgent, объединяющий способности LLM к рассуждению и взаимодействию с предметными знаниями рекомендательных моделей о поведении пользователей.
Research Object
интерактивная рекомендательная система InteRecAgent, объединяющая большие языковые модели с традиционными рекомендательными моделями
Research Subject
эффективность системы в диалоговых рекомендациях и её возможности, обеспечиваемые механизмами памяти, планированием задач и обучением использованию инструментов
Publication Details
Publication Date
2025-04-21
Journal
Publisher
ISSN
Cited by
166
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
LLaMA: открытые и эффективные базовые языковые модели2023
Обучение языковых моделей следованию инструкциям с использованием обратной связи от человека2022
Обзор автономных агентов на основе больших языковых моделей2024
PaLM: Масштабирование языкового моделирования с помощью Pathways2022
Технический отчет о GPT-42023
Visual ChatGPT: общение, рисование и редактирование с использованием визуальных базовых моделей2023
Работы, цитирующие эту статью7
Обзор автономных агентов на основе больших языковых моделей2024
Системы рекомендаций в эпоху больших языковых моделей (LLMs)2024
ИИ-агенты и агентный ИИ: концептуальная таксономия, применения и проблемы2025
Расцвет агентного искусственного интеллекта: обзор определений, фреймворков, архитектур, приложений, метрик оценки и проблем2025
ИИ-агенты и агентный ИИ: концептуальная таксономия, приложения и проблемы2025
От языка к действию: обзор больших языковых моделей как автономных агентов и пользователей инструментов2026
Систематический обзор литературы по агентному искусственному интеллекту: определения, архитектуры и проблемы2026