هوش مصنوعی
حافظهٔ گروهیِ بازخوردپذیر برای بهبود پیشنهادهای خرید با LLM
پژوهشگران در پیش‌چاپ RecGroupMemory روشی پیشنهاد کرده‌اند که با بازخورد روز قبل، راهنمای تصمیم‌گیری سامانهٔ پیشنهاددهنده را به‌روز می‌کند و مشاهدات اولیه را دست‌نخورده نگه می‌دارد.
پژوهشگران در پیش‌چاپی در arXiv، چارچوب RecGroupMemory را برای استفاده از حافظهٔ گروهی در برنامه‌ریزی سامانه‌های پیشنهاددهندهٔ مبتنی بر مدل‌های زبانی بزرگ معرفی کرده‌اند. این چارچوب پروفایل‌ها و توصیه‌های سطح گروه را در اختیار یک مدل زبانیِ هماهنگ‌کننده می‌گذارد و ساخت حافظه را از بازبینی آن بر پایهٔ بازخورد جدا می‌کند. بازخورد روز قبل برای به‌روزرسانی راهنمای تصمیم‌گیری به کار می‌رود؛ بررسی‌های اعتبارسنجی نیز مانع تغییر برخی مقادیر منبعِ انتخاب‌شده می‌شوند.
ارزیابی آنلاین میان کاربران Taobao با قدرت خرید پایین انجام شد؛ این گروه را تیم کسب‌وکار انتخاب کرده بود. در مقایسه با حالت پایهٔ بدون حافظه، حافظهٔ بدون بازخورد افزایش ۱٫۵۸درصدی و حافظهٔ همراه با بازخورد افزایش ۱٫۷۸درصدی نشان داد. چکیدهٔ منتشرشده معیار دقیق این افزایش‌ها را مشخص نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده