Catalog-Native LLM: un modelo de dialecto de identificación de elementos que habla con menos enredos para la recomendación
Author
Venue
ICLR 2026
Abstract
Si bien el filtrado colaborativo ofrece precisión predictiva y eficiencia, y los modelos de lenguaje a gran escala (LLM) permiten un razonamiento expresivo y generalizable, los sistemas de recomendación modernos deben combinar estas fortalezas. Las crecientes expectativas de los usuarios, como las consultas en lenguaje natural y las explicaciones transparentes, ponen aún más de relieve la necesidad de un enfoque unificado. Sin embargo, hacerlo no es trivial. Las señales colaborativas suelen ser eficientes en cuanto a tokens, pero semánticamente opacas, mientras que los LLM son semánticamente ricos, pero tienen dificultades para modelar las preferencias implícitas de los usuarios cuando se entrenan únicamente con entradas textuales. Este artículo presenta el modelo de lenguaje «Item-ID + Natural-language Mixture-of-Experts» (IDIOMoE), que trata los historiales de interacción con los elementos como un dialecto nativo dentro del espacio lingüístico, lo que permite que las señales colaborativas se comprendan de la misma manera que el lenguaje natural. Al dividir la red de propagación hacia adelante de cada bloque de un LLM preentrenado en un experto en texto y un experto en artículos separados con control de tipo de token, nuestro método evita la interferencia destructiva entre las modalidades de texto y de catálogo. IDIOMoE demuestra un sólido rendimiento en las recomendaciones tanto en conjuntos de datos públicos como privados, al tiempo que conserva la comprensión del texto del modelo preentrenado.
