Com a melhoria da experiência do usuário e o aumento da taxa de retenção, os sistemas de recomendação estão ganhando cada vez mais importância em diversos setores, como comércio eletrônico, streaming e mídia social. Esses sistemas precisam analisar as complexas relações entre usuários, produtos e seus fatores de contexto para recomendar com precisão o conteúdo que pode interessar aos usuários.
No entanto, os sistemas de recomendação existentes são frequentemente estáticos e dependem de grandes quantidades de dados históricos para construir eficazmente essas relações. Em cenários de "cold start", a construção dessas relações torna-se quase impossível, enfraquecendo ainda mais a eficácia do sistema.
Para resolver esses problemas, pesquisadores da Universidade Jiao Tong de Xangai e do laboratório Huawei Noah's Ark lançaram a estrutura AutoGraph. Essa estrutura é capaz de construir grafos automaticamente e ajustar dinamicamente para melhorar a precisão das recomendações, utilizando modelos de linguagem grandes (LLMs) para melhorar a compreensão do contexto.
Atualmente, os sistemas de recomendação baseados em grafos são amplamente utilizados. No entanto, os sistemas existentes exigem que os usuários definam manualmente as características e conexões no grafo, o que é demorado e ineficiente. Além disso, as regras predefinidas limitam a capacidade de adaptação desses grafos, impossibilitando a utilização plena de dados não estruturados que podem conter informações semânticas ricas. Portanto, há uma necessidade urgente de um novo método para resolver o problema da escassez de dados e capturar prontamente as relações sutis das preferências do usuário.
A estrutura AutoGraph, baseada em modelos de linguagem grandes e grafos de conhecimento, melhora o desempenho do sistema de recomendação por meio das seguintes funcionalidades:
Utilização de LLMs pré-treinados: a estrutura utiliza LLMs pré-treinados para analisar a entrada do usuário e extrair relações da linguagem natural.
Construção de grafos de conhecimento: após a extração das relações, os LLMs geram grafos como representações estruturadas das preferências do usuário. Em seguida, o algoritmo otimiza o grafo, removendo conexões irrelevantes para melhorar a qualidade geral do grafo.
Integração com redes neurais de grafos (GNNs): a combinação do grafo de conhecimento construído com GNNs permite que o sistema de recomendação utilize as características dos nós e a estrutura do grafo para fornecer recomendações mais precisas, sendo sensível às preferências individuais e às tendências dos usuários.
Para avaliar a eficácia da estrutura, os pesquisadores realizaram testes de referência usando conjuntos de dados de serviços de comércio eletrônico e streaming. Os resultados mostraram uma melhoria significativa na precisão das recomendações, indicando que a estrutura possui capacidade suficiente para fornecer recomendações relevantes. Além disso, a estrutura mostrou melhor escalabilidade no processamento de grandes conjuntos de dados e apresentou uma demanda computacional significativamente menor em comparação com os métodos tradicionais de construção de grafos. O processo automatizado e a combinação de algoritmos avançados ajudaram a reduzir o consumo de recursos sem afetar a qualidade dos resultados.
A estrutura AutoGraph representa um avanço significativo no campo dos sistemas de recomendação. A capacidade de construir grafos automaticamente permite que ela lide eficazmente com os desafios de longa data de escalabilidade, adaptabilidade e percepção de contexto. O sucesso da estrutura demonstra o potencial transformador da combinação de LLMs com sistemas gráficos, estabelecendo um novo padrão para pesquisas e aplicações de recomendações personalizadas no futuro.
Link para o artigo:https://arxiv.org/abs/2412.18241
Destaques:
🌟 **Construção automática de grafos baseada em LLMs**: A estrutura AutoGraph utiliza modelos de linguagem grandes pré-treinados para analisar automaticamente a entrada do usuário, extrair relações e construir grafos de conhecimento.
📈 **Melhora significativa na precisão das recomendações**: Em testes de referência, a estrutura melhorou significativamente a precisão das recomendações em conjuntos de dados de comércio eletrônico e streaming.
⚙️ **Redução do consumo de recursos**: Em comparação com os métodos tradicionais, o AutoGraph apresenta excelente desempenho em termos de demanda computacional, mostrando boa escalabilidade.
