Системы интерактивных диалоговых рекомендаций

Классические рекомендательные системы малоинтерактивны. Пользователь имеет очень косвенное влияние на выдачу, которую получает. В тех случаях, когда ему нужно что-то конкретно сейчас — под необычную ситуацию, ограниченную во времени, либо под настроение — он не может воспользоваться результатами рекомендательной системы, потому что выдача основана только на его предыдущем поведении и поведении пользователей, которые в среднем похожи на него. При этом делать выборы, ресерчить, понимать, «а что вообще тебе надо» — тяжело эмоционально и ресурсозатратно для пользователя. В то время, когда он мог просто покупать, ему приходится проходить тяжелый путь понимания себя — и выбора. На этом пути от расстройства и усталости он может просто решить, что ему уже ничего не надо — и ничего не купить.

Объединение классических рекомендательных систем и возможностей современных языковых моделей предоставляет подход, позволяющий в нескольких приближениях решить эту проблему. Расскажу про возможные подходы такого объединения.

Будет полезно дата-сайентистам, занимающимся рекомендациями и LLM, опытным продактам и руководителям, которые хотят пойти в сторону интерактивных рекомендаций.

Технологии: рекомендации, разложения матриц, эмбеддинги, LLM, RAG, векторный поиск, AM-Softmax, PLDA, contrastive losses, подготовка и преобразования датасета.