Adobe Research Propone il Potenziamento Locale-Aware per Correggere il Bias di Ranking nei Mercati Globali

Un recente preprint (2605.11272) di Adobe Research esplora il problema del bias comportamentale cross-locale nei modelli di apprendimento per il ranking (LTR) utilizzati da Adobe Express. La predominanza degli Stati Uniti nella generazione e interazione dei contenuti porta i modelli LTR, che si basano sul feedback comportamentale, a favorire i modelli popolari negli USA a scapito della visibilità dei contenuti locali in altre regioni. I ricercatori hanno scoperto che l'addestramento basato esclusivamente sui clic non cattura adeguatamente le caratteristiche di localizzazione semanticamente rilevanti. Incorporando etichette di rilevanza graduate da un modello visione-linguaggio (VLM) per una supervisione aggiuntiva, l'allineamento semantico migliora, sebbene la visibilità dei contenuti locali rimanga compromessa. Introducono un framework multi-obiettivo che integra supervisione comportamentale, segnali di rilevanza VLM e potenziamento locale-aware, migliorando la rilevanza in cinque località mantenendo una localizzazione stabile e sottolineando la necessità di separare il bias di esposizione dall'ottimizzazione della rilevanza.