Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations
Dieses Paper schlägt ein neuartiges Framework vor, das Large Language Models innerhalb einer hierarchischen Retrieval-Augmented-Generation-Pipeline nutzt, um vertikalübergreifende Nutzerpräferenzen aus datenreichen Domänen zu synthetisieren und dadurch das Cold-Start-Problem effektiv zu adressieren sowie die Personalisierung in datenarmen E-Commerce-Vertikalen zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich DoorDash als eine riesige, belebte Food Court vor. Auf der einen Seite gibt es hunderte beliebte Restaurants, in denen jeder die Stammgäste kennt. Auf der anderen Seite gibt es neuere Stände, die Lebensmittel, Einzelhandelsprodukte und Beauty-Produkte verkaufen. Das Problem? Die neuen Stände kennen ihre Kunden noch nicht. Wenn Sie noch nie einen Sack Mehl oder eine Flasche Shampoo über die App gekauft haben, weiß das System nicht, was Ihnen gefallen könnte. Dies ist das „Cold Start“-Problem.
Das Paper „Mind the Gap“ beschreibt einen cleveren Weg, dies zu lösen, indem ein „super-intelligenter Übersetzer“ (eine KI namens Large Language Model oder LLM) verwendet wird, um die Lücke zwischen dem, was Sie im Essensbereich tun, und dem, was Sie im Lebensmittelbereich vielleicht wollen, zu schließen.
So haben sie es gemacht, unterteilt in einfache Schritte:
1. Der „Geheimzutat“-Detektor
Die Forscher erkannten, dass selbst wenn Sie noch keine Lebensmittel gekauft haben, Ihre Bestellhistorie beim Essen viel über Ihren Geschmack aussagt.
- Der alte Weg: Das System sah nur „Sie haben indisches Essen bestellt.“
- Der neue Weg: Sie nutzten eine KI, die wie ein Gourmet-Detektiv agiert. Anstatt nur die Bestellung zu sehen, schaut die KI auf Ihre Historie und sagt: „Ah, diese Person liebt scharfes Curry, weiches Brot wie Naan und bestimmte Arten von Käse.“
Die KI nimmt Ihre unstrukturierte, chaotische Historie (wie „Butter Chicken von Royal Spice bestellt“) und verwandelt sie in eine ordentliche, strukturierte Liste von Vorlieben (wie „Spezialitätenbrote“, „Hähnchen“, „Käse“). Es ist, als würde man einen chaotischen Stapel Quittungen in eine perfekt organisierte Einkaufsliste verwandeln.
2. Die „Intelligente Suche“ (Hierarchical RAG)
Um sicherzustellen, dass die KI nicht verwirrt wird oder Dinge erfindet (ein Problem, das als „Halluzination“ bezeichnet wird), bauten sie ein spezielles System namens Hierarchical RAG.
- Die Analogie: Stellen Sie sich vor, Sie versuchen, ein bestimmtes Buch in einer riesigen Bibliothek zu finden. Anstatt einfach nur „Ich möchte ein Buch!“ zu rufen und zu hoffen, dass es klappt, sagen Sie dem Bibliothekar zuerst: „Ich möchte Belletristik.“ Dann: „Ich möchte Krimis.“ Dann: „Ich möchte einen Krimi, der in London spielt.“
- Wie es funktioniert: Die KI ermittelt zuerst die breite Kategorie (z. B. „Milchprodukte“), dann verengt sie den Fokus auf den spezifischen Typ (z. B. „Hartkäse“). Dieser schrittweise Ansatz stellt sicher, dass die KI nur Dinge vorschlägt, die tatsächlich zu Ihrem Geschmack passen, und filtert dadurch zufällige Vermutungen heraus.
3. Zwei Arten von Hinweisen
Das System nutzt zwei verschiedene Arten von Hinweisen, um Sie zu verstehen:
- Langfristiger Geschmack: Basierend auf dem, was Sie über Monate hinweg bestellt haben. Dies sagt dem System etwas über Ihre allgemeine Persönlichkeit (z. B. „Diese Person ist ein Gesundheitsfanatiker“).
- Kurzfristige Stimmung: Basierend auf dem, was Sie gerade eben in die Suchleiste eingegeben haben. Dies sagt dem System, was Sie jetzt gerade wollen (z. B. „Diese Person sucht nach einem schnellen Protein-Snack“).
4. Die „Super-Empfehlungs“-Engine
Sobald die KI diese ordentlichen Listen Ihrer Vorlieben erstellt hat, speist sie diese in die Haupt-Empfehlungs-Engine von DoorDash ein.
- Das Ergebnis: Wenn Sie zum ersten Mal in den Lebensmittelbereich gehen, zeigt Ihnen das System nicht einfach wahllos Artikel an. Stattdessen sagt es: „Da Sie scharfes indisches Essen und gesunde Snacks lieben, sind hier einige spezifische Lebensmittel, die Ihnen wahrscheinlich gefallen werden.“
Hat es funktioniert?
Das Team testete dies auf zwei Arten:
- Offline-Tests: Sie führten Simulationen mit alten Daten durch. Das neue System war signifikant besser darin, vorherzusagen, worauf Nutzer klicken oder was sie kaufen würden, im Vergleich zum alten System.
- Live-Tests: Sie ließen das neue System ruhig im Hintergrund neben der echten App laufen (Shadow Deployment). Die Ergebnisse entsprachen den Simulationen: Das neue System gab bessere Empfehlungen, insbesondere für neue Nutzer in den Bereichen Lebensmittel und Einzelhandel.
Zusammenfassend lässt sich sagen: Das Paper zeigt, dass DoorDash durch den Einsatz einer intelligenten KI, die Ihre Essenshistorie in Lebensmittelpräferenzen übersetzt, aufhören kann zu raten und staten kann genau zu wissen, was Sie wollen – selbst wenn Sie zuvor noch nie Lebensmittel über sie gekauft haben. Es ist, als hätte man einen persönlichen Einkaufsberater, der Ihre gesamte Lebensgeschichte allein durch den Blick auf Ihre Mittagsbestellungen kennt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.