ARAG: Революция в персонализированных рекомендациях с помощью мультиагентного ИИ

Современные персонализированные рекомендации

Системы персонализированных рекомендаций играют ключевую роль на цифровых платформах, предоставляя пользователям контент, товары или услуги, максимально соответствующие их предпочтениям. Эти системы анализируют прошлое поведение пользователя, взаимодействия и паттерны, чтобы предсказать, что будет наиболее релевантным. Эволюция от простых фильтров до сложных моделей, основанных на обработке естественного языка, позволила создавать более точные и адаптивные рекомендации, повышая вовлеченность и удовлетворенность пользователей.

Проблемы понимания контекста пользователя

Понимание тонких и меняющихся предпочтений пользователей остается важной задачей. Традиционные методы, такие как ранжирование по недавнему взаимодействию или простое сходство, часто не справляются, если история пользователя ограничена или интересы меняются неожиданно. Эти подходы не обладают глубоким семантическим пониманием и не умеют учитывать долгосрочные интересы или контекстные изменения, из-за чего рекомендации могут казаться неактуальными.

Представляем ARAG: мультиагентную систему

Исследователи Walmart Global Tech предложили ARAG (Agentic Retrieval-Augmented Generation) — новую мультиагентную систему, которая улучшает контекстно-зависимые и персонализированные рекомендации. ARAG организует процесс рекомендации через сотрудничество специализированных агентов:

• Агент понимания пользователя: анализирует поведение пользователя, учитывая прошлое и недавние действия.
• Агент естественного языкового вывода (NLI): оценивает, насколько элементы соответствуют предпочтениям пользователя.
• Агент суммирования контекста: выделяет ключевую информацию для ранжирования.
• Агент ранжирования элементов: формирует окончательный список рекомендаций.

Каждый агент выполняет специализированное рассуждение, что помогает учитывать как исторический, так и текущий контекст.

Принцип работы ARAG

Процесс начинается с поиска широкого набора кандидатов с помощью косинусного сходства в пространстве эмбеддингов. Агент NLI оценивает соответствие метаданных каждого элемента намерениям пользователя, отбирая наиболее релевантные. Затем Агент суммирования контекста собирает ключевые сведения об этих элементах. Параллельно Агент понимания пользователя создает сводку поведения пользователя для поддержки процесса ранжирования. Агент ранжирования упорядочивает элементы по вероятной релевантности. Все агенты работают в общей памяти, что позволяет им совместно рассуждать и эффективно обрабатывать рекомендации параллельно.

Результаты и значимость

Тестирование ARAG на наборе данных Amazon Review в категориях Одежда, Электроника и Домашние товары показало значительное улучшение результатов. Например, в категории Одежда улучшение NDCG@5 составило 42.12%, а Hit@5 — 35.54% по сравнению с методами, основанными на недавних взаимодействиях. В Электронике и Домашних товарах наблюдались схожие показатели, что подтверждает высокую эффективность ARAG в ранжировании релевантных элементов. Абляционный анализ показал, что каждый агент вносит существенный вклад: удаление агентов NLI и суммирования контекста снижает точность, что подчеркивает преимущества мультиагентного подхода к рассуждению.

Новые горизонты для систем рекомендаций

ARAG решает проблему недостаточного понимания контекста пользователя в существующих системах рекомендаций. Мультиагентная, ориентированная на рассуждения структура улучшает точность и релевантность, показывая, как сотрудничество ИИ-агентов может преобразовать персонализированные рекомендации для более точного учета пользовательских намерений и изменений предпочтений.

Подробности доступны в оригинальной научной работе команды Walmart Global Tech.