Katalog-Native LLM: Öneri için daha az karmaşıklık içeren konuşma öğesi kimliği lehçesi
Author
Venue
ICLR 2026
Abstract
İşbirlikçi filtreleme öngörü doğruluğu ve verimlilik sağlarken, Büyük Dil Modelleri (LLM'ler) ise ifade gücü yüksek ve genelleştirilebilir akıl yürütme imkanı sunar; modern öneri sistemleri ise bu güçlü yönleri bir araya getirmelidir. Doğal dil sorguları ve şeffaf açıklamalar gibi artan kullanıcı beklentileri, birleşik bir yaklaşıma olan ihtiyacı daha da vurgulamaktadır. Ancak bunu başarmak kolay değildir. İşbirlikçi sinyaller genellikle token açısından verimlidir ancak anlamsal olarak belirsizdir; LLM'ler ise anlamsal olarak zengindir ancak yalnızca metin girdileriyle eğitildiklerinde örtük kullanıcı tercihlerini modellemekte zorlanırlar. Bu makale, öğe etkileşim geçmişlerini dil alanı içinde doğal bir lehçe olarak ele alan ve işbirlikçi sinyallerin doğal dil ile aynı şekilde anlaşılmasını sağlayan Item-ID + Doğal Dil Uzman Karışımı Dil Modeli'ni (IDIOMoE) tanıtmaktadır. Önceden eğitilmiş bir LLM'nin her bloğunun Feed Forward Network'ünü, token türü geçitleme ile ayrı bir metin uzmanı ve bir öğe uzmanı olarak bölerek, yöntemimiz metin ve katalog modaliteleri arasındaki yıkıcı etkileşimi önler. IDIOMoE, önceden eğitilmiş modelin metin anlayışını korurken, hem kamuya açık hem de özel veri kümelerinde güçlü bir öneri performansı sergiler.
