ترجمه فارسی مقاله GenRec: توصیه ترتیبی مولد با مدل‌های زبانی بزرگ

چکیده

Sequential recommendation is a task to capture hidden user preferences from historical user item interaction data and recommend next items for the user. Significant progress has been made in this domain by leveraging classification based learning methods. Inspired by the recent paradigm of ‘pretrain, prompt and predict’ in NLP, we consider sequential recommendation as a sequence to sequence generation task and propose a novel model named Generative Recommendation (GenRec). Unlike classification based models that learn explicit user and item representations, GenRec utilizes the sequence modeling capability of Transformer and adopts the masked item prediction objective to effectively learn the hidden bidirectional sequential patterns. Different from existing generative sequential recommendation models, GenRec does not rely on manually designed hard prompts. The input to GenRec is textual user item sequence and the output is top ranked next items. Moreover, GenRec is lightweight and requires only a few hours to train effectively in low-resource settings, making it highly applicable to real-world scenarios and helping to democratize large language models in the sequential recommendation domain. Our extensive experiments have demonstrated that GenRec generalizes on various public real-world datasets and achieves state-of-the-art results. Our experiments also validate the effectiveness of the the proposed masked item prediction objective that improves the model performance by a large margin.

چکیده به فارسی (ترجمه ماشینی)

توصیه های متوالی وظیفه ای برای ضبط ترجیحات کاربر پنهان از داده های تعامل مورد کاربر تاریخی و توصیه موارد بعدی برای کاربر است.با استفاده از روشهای یادگیری مبتنی بر طبقه بندی ، پیشرفت چشمگیری در این حوزه حاصل شده است.با الهام از الگوی اخیر “پیش از پیش ، سریع و پیش بینی” در NLP ، ما توصیه های پی در پی را به عنوان دنباله ای برای کار تولید دنباله در نظر می گیریم و یک مدل جدید به نام توصیه تولیدی (GenRec) را پیشنهاد می کنیم.بر خلاف مدل های مبتنی بر طبقه بندی که بازنمایی های صریح کاربر و مورد را یاد می گیرند ، GenRec از قابلیت مدل سازی دنباله ترانسفورماتور استفاده می کند و هدف پیش بینی مورد نقاب شده را برای یادگیری موثر الگوهای متوالی دو طرفه پنهان اتخاذ می کند.متفاوت از مدلهای توصیه های متوالی تولیدی موجود ، Genrec به پیشبرد های سخت طراحی شده دستی متکی نیست.ورودی به GenRec دنباله مورد کاربر متنی است و خروجی موارد بعدی در رده های بعدی قرار دارد.علاوه بر این ، GenRec سبک وزن است و فقط چند ساعت برای آموزش موثر در تنظیمات کم منبع نیاز دارد ، و این امر را برای سناریوهای دنیای واقعی بسیار کاربردی و کمک به دموکراتیک کردن مدلهای زبان بزرگ در حوزه توصیه متوالی دارد.آزمایش های گسترده ما نشان داده است که Genrec در مجموعه داده های مختلف در دنیای واقعی عمومی تعمیم می یابد و به نتایج پیشرفته می رسد.آزمایشات ما همچنین اثربخشی هدف پیش بینی مورد نقاب شده پیشنهادی را که عملکرد مدل را با یک حاشیه بزرگ بهبود می بخشد ، تأیید می کند.