در دنیای سیستمهای توصیهگرِ مبتنی بر مدلهای زبانی (Generative RS)، یکی از چالشهای اصلی، تولید لیستهای پیشنهادی است که علاوه بر مرتبط بودن، عدالت و سایر محدودیتهای کاربردی را نیز رعایت کنند.
محققان در پژوهشی جدید، لایه جدیدی به نام «استوکستیک پریمال-دوآل» (Stochastic Primal-Dual) معرفی کردهاند که به مدلهای توصیهگر اجازه میدهد در زمانِ استنتاج (Inference)، بدون نیاز به بازآموزی مدل، تعادل بهینهای بین مرتبط بودنِ پیشنهادات و سایر معیارهای مهم (مثل تنوع یا عدالت) برقرار کنند. این روش جدید به سیستمها کمک میکند تا در مقیاسهای بزرگ، تصمیمات هوشمندانهتر و کاربردیتری بگیرند. 💡📊
منبع: arXiv Machine Learning