Введение в ARAG: Многоагентная система для персонализированных рекомендаций
Персонализированные рекомендации стали неотъемлемой частью цифровых систем, стремящихся предложить контент, продукты или услуги, соответствующие предпочтениям пользователей. В основе этого процесса лежит анализ прошлых действий, взаимодействий и паттернов, чтобы предсказать, что пользователи могут найти актуальным. Однако, как показывает практика, простые методы фильтрации не всегда способны справиться с динамичными предпочтениями пользователей.
Проблемы традиционных систем рекомендаций
Многие системы рекомендаций сталкиваются с трудностями, когда история взаимодействия пользователя недостаточна или когда возникают новые поведения, отличающиеся от предыдущих. Простые методы, основанные на схожести, часто не учитывают долгосрочные интересы или изменения контекста. Это приводит к тому, что пользователи получают рекомендации, которые не соответствуют их текущим потребностям.
Что такое ARAG?
Исследователи из Walmart Global Tech предложили новую многоагентную систему под названием ARAG (Agentic Retrieval-Augmented Generation). Эта система представляет собой структурированное сотрудничество специализированных агентов, каждый из которых отвечает за определенную часть процесса рекомендаций. Ключевые агенты включают:
- Агент понимания пользователя: профилирует поведение пользователя.
- Агент естественного языкового вывода (NLI): оценивает соответствие предметов предпочтениям.
- Агент суммирования контекста: конденсирует релевантный контент.
- Агент ранжирования предметов: формирует окончательный список ранжированных предметов.
Как работает ARAG?
Рабочий процесс ARAG начинается с извлечения широкого набора кандидатных предметов с использованием косинусного сходства в пространстве встраивания. Затем Агент NLI оценивает, насколько хорошо текстовая метадата каждого предмета соответствует предполагаемому намерению пользователя. Предметы с более высокими оценками переходят к Агенту суммирования контекста, который собирает ключевую информацию для ранжирования. В то же время Агент понимания пользователя создает сводку на основе прошлых и недавних действий пользователя. Эти сводки помогают Агенту ранжирования предметов сортировать и приоритизировать предметы по вероятной релевантности.
Результаты тестирования ARAG
При тестировании на наборе данных Amazon Review, охватывающем категории одежды, электроники и товаров для дома, ARAG показал значительные улучшения. В категории одежды система достигла увеличения NDCG@5 на 42.12% и Hit@5 на 35.54% по сравнению с методами, основанными на актуальности. В электронике улучшение составило 37.94% по NDCG@5 и 30.87% по Hit@5. В категории товаров для дома также наблюдались значительные улучшения, с ростом NDCG@5 на 25.60% и Hit@5 на 22.68%.
Преимущества ARAG
ARAG решает важную проблему систем рекомендаций: неспособность глубоко понимать контекст пользователя. Предложенное решение, основанное на сотрудничестве специализированных агентов, демонстрирует значительные улучшения в точности и релевантности. Такой подход показывает, как системы, ориентированные на рассуждения, могут изменить рекомендации, чтобы лучше соответствовать намерениям и контексту пользователей.
Заключение
ARAG представляет собой шаг вперед в области персонализированных рекомендаций, предлагая более глубокое понимание потребностей пользователей. Благодаря многоагентной архитектуре, система не только улучшает качество рекомендаций, но и делает их более адаптивными к изменениям в поведении пользователей. Это открывает новые горизонты для бизнеса, стремящегося повысить уровень удовлетворенности клиентов и увеличить конверсии.
