الاستفادة من نماذج اللغة الكبيرة للتوصية التسلسلية

حظيت مشاكل التوصية التسلسلية باهتمام متزايد في البحث العلمي خلال السنوات القليلة الماضية، مما أدى إلى ظهور مجموعة كبيرة من الأساليب الخوارزمية. في هذا العمل، نستكشف كيف يمكن استخدام نماذج اللغة الكبيرة (LLMs)، التي تُدخل حالياً تأثيرات ثورية في العديد من التطبيقات القائمة على الذكاء الاصطناعي، لبناء أو تحسين أساليب التوصية التسلسلية. على وجه التحديد، نضع ثلاث طرق ونقيمها لاستغلال قوة نماذج اللغة الكبيرة بطرق مختلفة. تظهر نتائجنا من التجارب على مجموعتي بيانات أن تهيئة نموذج التوصية التسلسلية الحديث BERT4Rec بالتضمينات المستخرجة من نموذج LLM تحسن NDCG بنسبة 15-20٪ مقارنة بالنموذج الأصلي BERT4Rec. علاوة على ذلك، نجد أن النهج البسيط الذي يستفيد من تضمينات LLM لإنتاج التوصيات يمكن أن يوفر أداءً منافسًا من خلال إبراز العناصر ذات الصلة الدلالية. نشارك بشكل علني كود وبيانات تجاربنا لضمان إمكانية إعادة إنتاج النتائج.