إعادة التفكير في التوصيات المعتمدة على نماذج اللغة الكبيرة: دمج مخصص ومتوازي مدفوع بالاستعلام

استكشفت الدراسات الحديثة دمج نماذج اللغة الكبيرة (LLMs) في أنظمة التوصية، لكنها تواجه عدة تحديات، بما في ذلك التحيز الناتج عن التدريب واختناقات الأداء بسبب البنية المتسلسلة. لمعالجة هذه القضايا بفعالية، نقترح إطار عمل Query-to-Recommendation، وهو إطار توصية متوازي يفصل نماذج اللغة الكبيرة عن عملية اختيار المرشحين المسبقة، وبدلاً من ذلك يتيح الاسترجاع المباشر عبر كامل مجموعة العناصر. يربط إطارنا بين نماذج اللغة الكبيرة ونماذج التوصية بطريقة متوازية، مما يسمح لكل مكون بالاستفادة مستقلاً من نقاط قوته دون تدخل في الآخر. في هذا الإطار، تُستخدم نماذج اللغة الكبيرة لتوليد أوصاف غنية بالميزات للعناصر واستعلامات مستخدم مخصصة، مما يتيح التقاط التفضيلات المتنوعة وتمكين مطابقة دلالية غنية بطريقة بدون تدريب مسبق (zero-shot). لدمج نقاط القوة التكميلية لنماذج اللغة الكبيرة والإشارات التعاونية بفعالية، نقدم استراتيجية إعادة ترتيب تكيفية. تُظهر التجارب المكثفة تحسين الأداء بنسبة تصل إلى 57%، مع تعزيز الحداثة وتنوع التوصيات.