详细内容或原文请订阅后点击阅览
俄罗斯科学家教推荐系统更好地了解用户
俄罗斯储蓄银行实用人工智能中心的科学家与 AIRI 研究所、Innopolis 大学和 ITMO 的研究人员一起，找到了一种将深层语义知识从大型语言模型转移到紧凑推荐系统的方法。对于用户来说，这增加了选择商品、电影和其他内容的准确性，并且不会减慢服务的运行——发布推荐的速度保持在原始轻模型的水平。
来源:Robogeek新闻频道（关于机器人技术的俄罗斯与世界新闻）俄罗斯储蓄银行实用人工智能中心的科学家与 AIRI 研究所、Innopolis 大学和 ITMO 的研究人员一起，找到了一种将深层语义知识从大型语言模型转移到紧凑推荐系统的方法。对于用户来说，这增加了选择商品、电影和其他内容的准确性，并且不会减慢服务的运行——发布推荐的速度保持在原始轻模型的水平。
研究人员在俄罗斯联邦储蓄银行实用人工智能中心数据研究执行主任 Alexey Vasiliev 领导下撰写的一篇科学文章中发表了他们的研究结果。研究人员联合团队的工作成果在著名的 ECIR 2026 会议上进行了展示。
基于序列的推荐系统的挑战在于，它们擅长捕获用户操作的时间链，但不太擅长理解用户的真实偏好，特别是在有关该人的数据很少的情况下。大型语言模型可以恢复这些隐藏的含义，但直接在实际服务中使用它们是资源密集型的：对 LLM 的一个请求可能会持续 10 多分钟。俄罗斯科学家的方法解决了这个问题。在训练模型的阶段，根据交互历史和文本元数据，形成用户档案 - 他的偏好和行为特征。然后将其转换为一个向量，与推荐模型本身的内部表示对齐。因此，当系统向真人做出推荐时（在推理阶段），不再需要资源密集型模型。