蔚山科学技术院(UNIST)人工智能研究生院李延昌教授团队6日表示,已开发出分析消费者在细分商品类别上的购买倾向、推荐定制化商品的跨域技术“Multi-TAP”。
跨域推荐是利用数据丰富领域的信息,为数据不足的其他领域推荐商品的技术。现有技术将整个商品类别捆绑为一体进行分析,无法体现消费者的细分偏好差异,例如电脑偏好高价产品、家庭音响偏好低价热门产品等。
研究团队利用大型语言模型(LLM)解决了这一问题。将消费者倾向按价格敏感度、品质与人气偏好、使用频率、商品类别多样性等5项标准区分后,通过GPT-4o以句子形式生成体现细分偏好的“多重人格画像”。
该分析信息被转换为数字,进而计算推荐对象(目标)与既有信息(源)之间的关联性。通过采用对关联性高的信息赋予权重的“目标自适应替身迁移”方式,防止了因不必要信息干扰而导致推荐准确度下降的现象。
利用亚马逊5个商品类别的购买记录进行验证的结果显示,Multi-TAP在6项跨域推荐任务中有5项取得最佳性能。实际购买商品进入前5位推荐列表的比率(HR@5)相比现有技术最高提升36.3%,推荐排序准确度(NDCG@5)提升42.6%。
李延昌教授解释称:“即使在购买记录较少的领域,也能推荐贴近实际偏好的商品,从而提升在线购物平台个性化定制服务的水平。”
姜大熙研究员作为第一作者参与的这项研究,已被数据挖掘领域国际学术会议“ACM KDD”录用。该学会将于本月9日起在济州岛举行5天。






