Catalog-Native LLM: Dialetto ID elemento vocale con minore intrico per la raccomandazione
Author
Venue
ICLR 2026
Abstract
Sebbene il filtraggio collaborativo garantisca accuratezza predittiva ed efficienza e i modelli linguistici di grandi dimensioni (LLM) consentano un ragionamento espressivo e generalizzabile, i moderni sistemi di raccomandazione devono unire questi punti di forza. Le crescenti aspettative degli utenti, come le query in linguaggio naturale e le spiegazioni trasparenti, evidenziano ulteriormente la necessità di un approccio unificato. Tuttavia, farlo non è banale. I segnali collaborativi sono spesso efficienti in termini di token ma semanticamente opachi, mentre gli LLM sono semanticamente ricchi ma faticano a modellare le preferenze implicite degli utenti quando vengono addestrati solo su input testuali. Questo articolo introduce Item-ID + Natural-language Mixture-of-Experts Language Model (IDIOMoE), che tratta le cronologie di interazione degli elementi come un dialetto nativo all'interno dello spazio linguistico, consentendo ai segnali collaborativi di essere compresi allo stesso modo del linguaggio naturale. Dividendo la rete feed-forward di ciascun blocco di un LLM preaddestrato in un esperto di testo separato e un esperto di articoli con gating di tipo token, il nostro metodo evita l'interferenza distruttiva tra le modalità di testo e di catalogo. IDIOMoE dimostra ottime prestazioni di raccomandazione sia su set di dati pubblici che proprietari, preservando al contempo la comprensione del testo del modello preaddestrato.
