Tecnica di Editing dei Modelli Affronta il Collasso Cold-Start nella Raccomandazione Generativa
Un nuovo approccio chiamato GenRecEdit adatta l'editing dei modelli dal NLP ai sistemi di raccomandazione generativa (GR), affrontando il grave collasso cold-start in cui l'accuratezza sui nuovi elementi scende quasi a zero. Le soluzioni esistenti si basano sul riaddestramento con feedback sparsi, che è computazionalmente costoso e ritardato. GenRecEdit consente l'iniezione di conoscenza senza addestramento, ma affronta sfide dovute alla mancanza di legame esplicito soggetto-oggetto e di pattern stabili di co-occorrenza di token nel GR. Il metodo mira a migliorare l'accuratezza delle raccomandazioni per gli elementi cold-start in cataloghi in rapida evoluzione.
Fatti principali
- I modelli di raccomandazione generativa (GR) soffrono di collasso cold-start con accuratezza che scende quasi a zero.
- Le soluzioni attuali richiedono riaddestramento con interazioni cold-start, ostacolato da feedback sparsi e costi elevati.
- GenRecEdit è ispirato all'editing dei modelli nel NLP per l'iniezione di conoscenza senza addestramento.
- I GR mancano del legame esplicito soggetto-oggetto comune nel linguaggio naturale.
- I GR non mostrano pattern stabili di co-occorrenza di token.
- L'approccio si rivolge a cataloghi di raccomandazione in rapida evoluzione.
- L'articolo è disponibile su arXiv con ID 2603.14259.
- Il tipo di annuncio è replace-cross.
Entità
Istituzioni
- arXiv