推荐系统从相似性转向预测用户意图

在8月2日于莫斯科由MTS True Tech和VTB举办的Urban ML会议上，专家们讨论了推荐系统的发展。推荐系统传统上基于协同过滤和寻找相似用户，现在则旨在预测用户行为，侧重于特定操作的概率。MWS的Danil Bugrienko指出，开发者现在不再确定用户偏好，而是创建算法来预测打开、观看或购买等行为。然而，冷启动问题仍未解决；新用户和新物品缺乏交互历史。实时推荐有所帮助，能分析甚至初始点击，并利用聚合的受众行为。MWS推荐平台开发负责人Sergey Kuznetsov强调了使用大语言模型（LLM）的挑战：延迟（期望200-300毫秒，但LLM需要数秒）、由于昂贵的GPU导致的成本问题，以及可靠性问题。提出了LLM的三个可行用例：使用嵌入进行离线特征丰富、离线候选生成以解决冷启动，以及在线对话场景（LLM扮演代理）。MWS选择了Gemma用于对话场景，牺牲了一些质量以换取速度和成本，从而能够处理更多每秒查询数（QPS）。成功的关键指标包括留存率、粘性因子和减少支持工单，但最终还是要看收益。采用LLM通常需要一点信心飞跃，因为经济性可能不会立竿见影，但成本预计会下降。行业正朝着与用户对话并理解其即时意图的系统发展，以能否节省用户时间作为成功评估标准。