تعاملات بهبودیافته کاربر - آیتم با مدل های زبانی بزرگ (LLM): بهره گیری از اطلاعات لبه برای بهینه سازی توصیه ها

عملکرد شگفت انگیز مدل های زبانی بزرگ (LLM) نه تنها باعث تحولی اساسی در زمینه پژوهش های پرررداززبررا یعرری شده، بلکه قابلیت های کاربردی بالای این مدل ها را در حوزه های مختلف نشان داده است. با این وجود، استفاده از این مدل ها برای استخراج روابط از داده های گراف هنوز به ورگسترده بررسی نشده است. شکاف های عصیانگرافی در سال های اخیر به موضوعی پررفدار در تحقیقات تبدیل شده اند و مطالعات متعددی در زمینه استخراج روابط انجام شده است. بررسی نحوالت، ادغام تحقیقات پیشرفته در شکاف های عصیانگرافی با مدل های زبانی بزرگ به خوبی صورت نگرفته و نه مسیرهله باعث کاهش بهره وری و توانایی در وظایف مرتط با استخراج روابط از گراف ها شده است. رالش اصلی در این نقشه، ضرورت مدل های زبانی بزرگ در استفاده موثر از اطلاعات لبه در گراف ها است، در حالی که این اطلاعات برای درک روابط پیچیده مهم است. این نقصه باعث شده پتانسیل مدل های زبانی بزرگ برای استخراج دانش از ساختارهای گراف به خوبی محقق نشود و کاربرد آن ها در تحلیل های پیچیده محدود بماند. ما در این پژوهش ترالز می نماییم برای استفاده از مدل های زبانی بزرگ موجود، روابط موجود در داده های گراف را استخراج و تحلیل کنیم و این روزهرا در سیستم های توصیه گر به کار بگیریم. به این منظور، رار وبی نوآورانه راحی کرده ایم که توانایی مردل های زبانی برزرگ در ایجاد نمایش های متنی غنی را با قابلیت های استخراج و تحلیل روابط شکاف های عصیانگرافی ترکیب می کند. این رار وب شامل یک روز جدید برای ایجاد پرامپت هایی است که اطلاعات ارتی موجود در گراف را برزره زیریل می کند ترا مدل های زبانی بتوانند ساختارهای ارتی گراف را به شکل موثرتری درک کنند. همچنین، قابلیت های جدیدی برای تحلیل و درک روابط گراف به مدل های زبانی بزرگ اضافه کرده ایم که موجب می شود توجه بیشتری به اطلاعات ارتی موجود در گراف داشته باشند. با تقویت توانایی مدل های زبانی بزرگ در درک روابط گراف، این رار وب می تواند توصرریههایی جررامتر، دقیقتر و شخصیسازیشده ارائه دهد. نتایج ارزیابی روی داده های واقعی نشان می دهد که رار وب پیشرفته ی قراردر ارت اطلاعات ارتی گراف را به خوبی درک کرده و به ود قابل توجهی در کیفیت و ارتران نتیجه توصریههای ایجراد کند. لینک دسترسی به کد: https://github.com/miladpayandehh/Advancing-User-Item-Interactions-with-LLMs

کلیدواژه ها:

مدل های زبانی بزرگ ، سیستم های توصیه گر ، گراف ، شبکه های عصبی عمیق ، پردازش زبان طبیعی