RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems
यह शोध पत्र RGAlign-Rec का प्रस्ताव करता है, जो एक क्लोज्ड-लूप फ्रेमवर्क है जो एक नवीन रैंकिंग-गाइडेड अलाइनमेंट ट्रेनिंग प्रतिमान (paradigm) के माध्यम से एक LLM-आधारित सिमेंटिक रीज़नर को रैंकिंग मॉडल के साथ एकीकृत करता है ताकि सिमेंटिक गैप को पाटा जा सके और रीजनिंग को रैंकिंग उद्देश्यों के साथ संरेखित किया जा सके, जिससे औद्योगिक ई-कॉमर्स प्रणालियों में प्रोएक्टिव इंटेंट प्रेडिक्शन और रिकमेंडेशन प्रदर्शन में महत्वपूर्ण सुधार होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, अस्त-व्यस्त डिपार्टमेंटल स्टोर (जैसे कि एक बड़ी ई-कॉमर्स साइट) में प्रवेश करते हैं। आप थोड़े भ्रमित दिख रहे हैं, शायद आपके हाथ में एक ऐसा पैकेज है जो अभी तक नहीं पहुँचा है, या आप एक असफल भुगतान को लेकर चिंतित हैं। आपने अभी तक एक शब्द भी नहीं कहा है, लेकिन एक मददगार शॉप असिस्टेंट (चैटबॉट) तुरंत आपके पास आता है और कहता है, "मैं देख रहा हूँ कि आप एक डिलीवरी का इंतज़ार कर रहे हैं। क्या आप स्टेटस चेक करना चाहेंगे या शिपिंग को तेज़ करवाना चाहेंगे?"
यह इस पेपर का लक्ष्य है: प्रोएक्टिव इंटेंट प्रेडिक्शन (Proactive Intent Prediction)। सिस्टम यह अनुमान लगाना चाहता है कि आपको क्या चाहिए, इससे पहले कि आप खुद पूछें।
हालाँकि, लेखकों ने पाया कि मौजूदा सिस्टम ऐसे शॉप असिस्टेंट की तरह थे जो ग्राहकों से अलग भाषा बोलते हैं, या एक ऐसा असिस्टेंट जो बातचीत करने में तो बहुत अच्छा है लेकिन बेचने में बहुत बुरा है। उन्होंने RGAlign-Rec का उपयोग करके इसे कैसे ठीक किया, यहाँ बताया गया है।
दो बड़ी समस्याएँ
1. "अनुवाद का अंतर" (सेमेंटिक गैप - Semantic Gap)
कल्पना कीजिए कि शॉप असिस्टेंट के पास जटिल कोड (यूज़र आईडी, ऑर्डर नंबर जैसे "8492") में लिखे गए ग्राहकों की समस्याओं की एक नोटबुक है। लेकिन ग्राहक स्वाभाविक भाषा बोलता है ("मेरा पैकेज लेट है!")।
- समस्या: पुराने सिस्टम सीधे कोड को कोड से मिलाने की कोशिश करते थे। वे अर्थ को समझने में चूक जाते थे। वे यह नहीं समझ पाते थे कि "ऑर्डर 8492" + "7 दिन पुराना" = "मैं देरी से आए पैकेज से नाराज हूँ।"
- समाधान: उन्होंने एक LLM Reasoner (एक स्मार्ट AI अनुवादक) पेश किया। यह AI कोड को पढ़ता है, उसके पीछे की कहानी को समझता है, और उसे एक स्वाभाविक प्रश्न में अनुवादित करता है: "स्टेटस अपडेट नहीं हो रहा है; क्या हम इसे तेज़ कर सकते हैं?"
2. "गलत लक्ष्य" (ऑब्जेक्टिव मिसअलाइनमेंट - Objective Misalignment)
कल्पना कीजिए कि शॉप असिस्टेंट को एक बेहतरीन कवि के रूप में प्रशिक्षित किया गया है। वे सुंदर, विनम्र वाक्य लिखते हैं। लेकिन स्टोर मैनेजर को केवल एक ही चीज़ की परवाह है: क्या ग्राहक ने लिंक पर क्लिक किया?
- समका: AI सुंदर कविताएँ लिख रहा था (जो इंसानों के लिए अच्छी हैं) लेकिन वह उस विशिष्ट "सेल्स पिच" के लिए नहीं था जो ग्राहक को क्लिक करने के लिए प्रेरित करे (जो व्यवसाय के लिए अच्छा है)। AI मानवीय भावनाओं के साथ संरेखित था, न कि रैंकिंग मेट्रिक्स के साथ।
- समाधान: उन्हें AI को कविता लिखने के बजाय "क्लिक" के प्रति सचेत करने के लिए फिर से प्रशिक्षित करने की आवश्यकता थी।
समाधान: RGAlign-Rec (एक "क्लोज्ड-लूप" टीम)
लेखकों ने इन मुद्दों को ठीक करने के लिए तीन-चरणीय प्रशिक्षण शिविर बनाया। इसे एक कोच, एक खिलाड़ी और एक रेफरी के मिलकर काम करने के रूप में समझें।
चरण 1: कोच गेम सेट करता है (QE-Rec)
सबसे पहले, उन्होंने एक क्वेरी-एनहैंस्ड रैंकिंग मॉडल (Query-Enhanced Ranking Model) बनाया।
- उपमा: कल्पना कीजिए कि यह एक तीन पैरों वाले स्टूल की तरह है।
- पैर 1 (यूज़र): आप कौन हैं? (आपका इतिहास, प्रोफ़ाइल)।
- पैर 2 (इंटेंट): संभावित समस्याएँ क्या हैं? (इंटेंट्स की सूची)।
- पैर 3 (क्वेरी): AI क्या सोच रहा है कि आपको क्या चाहिए? (नया "अनुवादक" AI)।
- उन्होंने इस स्टूल को बहुत स्थिर बनाने के लिए इसे प्रशिक्षित किया। यह मॉडल रेफरी के रूप में कार्य करता है। इसे पता है कि कौन सा "अनुमान" क्लिक की ओर ले जाता है।
चरण 2: प्रशिक्षण शिविर (रैंकिंग-गाइडेड अलाइनमेंट)
अब, वे "अनुवादक" AI (LLM) को प्रशिक्षण शिविर में ले जाते हैं।
- ड्रिल: AI उपयोगकर्ता की जरूरतों के लिए 4 अलग-अलग अनुमान लगाता है।
- रेफरी का निर्णय: "कोच" (रैंकिंग मॉडल) इन अनुमानों को स्कोर देता है। "अनुमान A से क्लिक मिला! अनुमान B को अनदेखा कर दिया गया।"
- सबक: AI सीखता है: "ओह, मुझे सिर्फ एक विनम्र वाक्य नहीं लिखना चाहिए। मुझे वह विशिष्ट वाक्य लिखना चाहिए जिसे कोच जानता है कि क्लिक प्राप्त करने के लिए सही है।"
- जादुई ट्रिक (Best-of-N): वे केवल एक विकल्प नहीं चुनते। वे कई विकल्प उत्पन्न करते हैं, विजेताओं को चुनते हैं, और AI को विजेताओं की नकल करने के लिए सिखाते हैं। वे कॉन्ट्रास्टिव लर्निंग (Contrastive Learning) नामक एक तकनीक का भी उपयोग करते हैं, जो AI को दो चित्र दिखाने जैसा है: एक "अच्छे अनुमान" का और एक "बुरे अनुमान" का, और AI को उनके पीछे के गहरे गणितीय अंतर को समझने के लिए मजबूर करना।
चरण 3: क्लोज्ड लूप (कैलिब्रेशन)
एक बार जब AI बेहतर अनुमान लगाने में सक्षम हो जाता है, तो वे उन बेहतर अनुमानों को वापस कोच (रैंकिंग मॉडल) में फीड करते हैं।
- उपमा: कोच बेहतर निर्णय लेने में बेहतर होता जाता है क्योंकि खिलाड़ी अब बेहतर इनपुट दे रहा है। खिलाड़ी बेहतर होता जाता है क्योंकि कोच अधिक सटीक रूप से निर्णय ले रहा है। वे इसे तब तक करते रहते हैं जब तक कि वे पूरी तरह से तालमेल में न आ जाएं।
परिणाम: यह क्यों मायने रखता है
जब उन्होंने वास्तविक दुनिया में (Shopee, एक विशाल शॉपिंग ऐप पर) इसका परीक्षण किया:
- बेहतर अनुमान: सिस्टम उपयोगकर्ता की जरूरतों का अनुमान लगाने में काफी बेहतर हो गया। "त्रुटि दर" (गलत अनुमान लगाना) 3.5% गिर गई। यह सुनने में छोटा लग सकता है, लेकिन लाखों उपयोगकर्ताओं वाले सिस्टम में, यह हजारों खुश ग्राहकों के बराबर है।
- अधिक क्लिक: क्लिक-थ्रू रेट (CTR) बढ़ गया। लोग सुझावों पर अधिक बार क्लिक कर रहे हैं।
- वास्तविक दुनिया की गति: यह एक लाइव चैटबॉट में उपयोग किए जाने लायक गति से काम करता है ताकि उपयोगकर्ता को प्रतीक्षा न करनी पड़े।
मुख्य निष्कर्ष
यह पेपर AI को एक "सामान्य वार्तालाप करने वाला" बनने के बजाय एक "विशेष सेल्स असिस्टेंट" बनने के बारे में है।
- पुराना तरीका: "यहाँ कुछ चीजें हैं जो आपको पसंद आ सकती हैं आपके आईडी नंबर के आधार पर।" (उबाऊ, अक्सर गलत)।
- नया तरीका (RGAlign-Rec): "मैं देख रहा हूँ कि आप एक पैकेज का इंतज़ार कर रहे हैं। यहाँ इसे ट्रैक करने का सबसे तेज़ तरीका है।" (स्मार्ट, मददगार, और क्लिक दिलाने वाला)।
उन्होंने इसे एक फीडबैक लूप बनाकर किया जहाँ AI का "मस्तिष्क" (LLM) और सिस्टम का "लक्ष्य" (रैंकिंग मॉडल) लगातार एक-दूसरे से बात करते हैं जब तक कि वे पूरी तरह से संरेखित न हो जाएं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।