استكشفت الأبحاث الحديثة استخدام نماذج اللغة الكبيرة في مهام التوصية عن طريق تحويل تاريخ تفاعل المستخدم وبيانات العناصر إلى نصوص توجيهية، ثم جعل النموذج الكبير ينتج تصنيفات أو توصيات. تتضمن استراتيجية واعدة ربط معرفة التصفية التعاونية بتمثيلات النموذج الكبير من خلال شبكات محولات مضغوطة، مما يتجنب التعديل المكلف مع الحفاظ على مزايا كلا المكونين. ومع ذلك، لا تزال عدة تحديات قائمة في الممارسة العملية: غالبًا ما تستخدم نماذج التصفية التعاونية لقطات ثابتة تفوت تفضيلات المستخدم التي تتغير بسرعة؛ تحتوي العديد من العناصر في العالم الحقيقي على محتوى بصري وصوتي غني يتجاوز الأوصاف النصية؛ وتكافح الأنظمة الحالية لتقديم تفسيرات موثوقة مدعومة بأدلة ملموسة. يقدم عملنا إطارًا يعالج هذه القيود من خلال ثلاثة ابتكارات رئيسية. نقوم بتطوير آلية تكيف عبر الإنترنت تقوم باستمرار بإدماج تفاعلات المستخدم الجديدة من خلال وحدات خفيفة الوزن، متجنبين الحاجة إلى إعادة تدريب النماذج الكبيرة. نخلق تمثيلًا موحدًا يجمع بشكل سلس بين الإشارات التعاونية مع الميزات البصرية والصوتية، مع التعامل مع الحالات التي قد تكون فيها بعض الوسائط غير متاحة. أخيرًا، نقوم بتصميم نظام لتفسير التوصيات يعتمد على أنماط تعاونية محددة وخصائص العناصر، مما ينتج عنه تبريرات باللغة الطبيعية يمكن للمستخدمين التحقق منها. يحافظ نهجنا على كفاءة النماذج الأساسية المجمدة مع إضافة حد أدنى من الحمل الحاسوبي، مما يجعله عمليًا للنشر في العالم الحقيقي.
درس ما وآخرون (Thu,) هذا السؤال.