یکی از چالشهای بزرگ در سیستمهای توصیهگر، شکاف بین «آموزش مدل» و «اجرای آنلاین» است. حالا محققان چارچوب جدیدی به نام «Generative Pseudo-Labeling» یا به اختصار GPL معرفی کردهاند که از قدرت مدلهای زبانی بزرگ (LLMs) برای حل این مشکل استفاده میکند.
✨ خلاصه ماجرا:
مدلهای فعلی معمولاً فقط با دادههای تعاملیِ دیده شده آموزش میبینند، اما مدل جدید با تولید برچسبهای کاذب (Pseudo-labels) هوشمند و محتوا-محور توسط LLM، به مدلهای توصیهگر کمک میکند تا علایق کاربران را برای موارد دیده نشده هم به درستی پیشبینی کنند.
نتیجه این پژوهش در سیستمهای مقیاس بزرگ؟
✅ افزایش ۳.۰۷ درصدی نرخ کلیک (CTR)
✅ بهبود تنوع پیشنهادات
✅ کشف بهتر آیتمهای طولانیدم (Long-tail content)
این یعنی هوش مصنوعی در حال هوشمندتر کردن دنیای تبلیغات و محتوای پیشنهادی است! نظر شما درباره این کاربرد LLMها چیست؟
منبع: arXiv NLP
