Beyond Isolated Behaviors: Hierarchical User Modeling for LLM Personalization
यह शोध पत्र PHF प्रस्तुत करता है, जो कि बौर्दियू के 'थ्योरी ऑफ प्रैक्टिस' से प्रेरित एक समाजशास्त्रीय रूप से आधारित ढांचा है, जो अभ्यासों (practices), हेबिटस (habitus) और क्षेत्रों (fields) की एक पदानुक्रमित संरचना के माध्यम से उपयोगकर्ता डेटा को मॉडल करके LLM वैयक्तिकरण को बढ़ाता है, और LaMP बेंचमार्क पर निरंतर प्रदर्शन सुधार प्राप्त करता 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 बहुत ही बुद्धिमान, लेकिन थोड़े सामान्य (generic) AI असिस्टेंट को विशेष रूप से आपको समझने में मदद करने की कोशिश कर रहे हैं। अभी, अधिकांश AI पर्सनलाइजेशन (personalization) एक अलग-थलग क्षणों की स्क्रैपबुक की तरह काम करता है। यदि आपने पिछले साल 'हैरी पॉटर' की कोई किताब पसंद की थी और पिछले महीने 'एवेंजर्स' की कोई फिल्म, तो AI केवल दो अलग तथ्य देखता है: "उपयोगकर्ता ने हैरी पॉटर पसंद किया" और "उपयोगकर्ता ने एवेंजर्स पसंद किया।" यह वास्तव में आपकी पसंद की कहानी या इस बात को नहीं समझता कि आपकी रुचियां कैसे विकसित हुई हैं।
यह शोध पत्र (paper) विचार करने का एक नया तरीका प्रस्तावित करता है, जिसे PHF (Practice-Habitus-Field) कहा जाता है। यह आपके व्यवहार को तीन परतों में व्यवस्थित करने के लिए प्रसिद्ध समाजशास्त्री पियरे बोर्दियू (Pierre Bourdieu) के विचारों को उधार लेता है, जो रूसी नेस्टिंग डॉल्स (Russian nesting dolls) की तरह हैं।
यहाँ ये तीन परतें सरल उपमाओं (analogies) का उपयोग करके समझाई गई हैं:
1. प्रैक्टिस (Practice - एकल क्रिया)
उपमा: इसे रेत पर एक एकल पदचिह्न (footprint) के रूप में सोचें।
- यह क्या है: हर बार जब आप किसी लिंक पर क्लिक करते हैं, किसी फिल्म को रेटिंग देते हैं, या कोई प्रश्न पूछते हैं, तो वह एक "प्रैक्टिस" है।
- समस्या: पदचिह्न ज्वार-भाटे (शोर/noise) द्वारा मिटा दिए जाते हैं या कोण के आधार पर अलग दिख सकते हैं। यदि AI केवल एक पदचिह्न को देखता है, तो वह सोच सकता है कि आपको "रेत" पसंद है क्योंकि आपने एक बार समुद्र तट पर चलते समय पैर रखा था, भले ही वास्तव में आपको समुद्र तट पसंद न हो।
- समाधान: इस शोध पत्र की प्रणाली, PHFCompass, एक नॉइज़-कैंसलिंग फ़िल्टर की तरह कार्य करती है। यह आपकी एकल क्रिया को देखती है और पूछती है, "इसका सार (essence) क्या है?" यह एक अव्यवस्थित, विशिष्ट क्रिया को एक साफ, स्पष्ट "सिमेंटिक आईडी" (जैसे कि बारकोड) में बदल देती है जो सतही शोर को अनदेखा करते हुए वास्तविक इरादे का प्रतिनिधित्व करती है।
2. हैबिटस (Habitus - आपकी व्यक्तिगत शैली)
उपमा: इसे अपनी मसल्स मेमोरी (muscle memory) या अपने व्यक्तित्व के रूप में सोचें।
- यह क्या है: यदि आप एक वर्ष तक हर दिन पदचिह्न छोड़ते हैं, तो वे एक रास्ता बनाते हैं। वह पथ आपका "हैबिटस" है। यह केवल आपके द्वारा किए गए कार्यों की सूची नहीं है; यह आपकी स्थिर प्रवृत्ति (stable tendency) है। यह दर्शाता है कि आप पहले फैंटेसी किताबें पसंद करते थे लेकिन धीरे-धीरे सुपरहीरो कहानियों की ओर बढ़ गए हैं।
- यह कैसे काम करता है: यह प्रणाली उन सभी साफ की गई "प्रैक्टिसेज" को लेती है और उन्हें समय के साथ आपस में मिला देती है। यह उन चीजों को अधिक महत्व देती है जो आपने हाल ही में की हैं (क्योंकि आपकी पसंद बदलती रहती है), लेकिन दीर्घकालिक पैटर्न को भी बनाए रखती है। यह एक ऐसा "यूज़र प्रोफाइल" बनाता है जो डेटा पॉइंट्स की सूची के बजाय एक वास्तविक व्यक्ति जैसा महसूस होता है जिसका एक इतिहास है।
3. फील्ड (Field - जनजाति/समूह)
उपमा: इसे एक क्लब या एक पड़ोस में शामिल होने के रूप में सोचें।
- यह क्या है: भले ही आप अद्वितीय हों, आप दूसरों के साथ आदतें साझा करते हैं। यदि आप और 100 अन्य लोग सभी का "हैबिटस" साइंस-फिक्शन पसंद करना और हॉरर से नफरत करना है, तो आप एक ही "फील्ड" के अंतर्गत आते हैं।
- यह क्यों मदद करता है: कभी-कभी, आपके पास AI को समझने के लिए पर्याप्त इतिहास नहीं होता (शायद आप नए हैं या बहुत कम सक्रिय हैं)। लेकिन यदि AI जानता है कि आप किस "साइंस-फिक्शन फील्ड" का हिस्सा हैं, तो वह उस क्लब के अन्य सभी लोगों से अंतर्दृष्टि उधार ले सकता है कि आपको क्या पसंद आ सकता है। यह यह कहने जैसा है कि, "मुझे आपकी विशिष्ट पसंद का अभी पता नहीं है, लेकिन चूंकि आप इस समूह के साथ रहते हैं, इसलिए यहाँ वह है जो वे आमतौर पर पसंद करते हैं।"
यह सब कैसे मिलकर काम करता है
शोध पत्र इस प्रणाली को बनाने के लिए PHFCompass नामक एक टूल पेश करता है। इसके लिए विशाल AI मॉडल को फिर से प्रशिक्षित (retraining) करने की आवश्यकता नहीं है (जो महंगा और धीमा है)। इसके बजाय, यह एक स्मार्ट अनुवादक (translator) की तरह काम करता है जो AI के सामने बैठता है।
- यह आपके कच्चे इतिहास (raw history) को लेता है और उसे साफ प्रैक्टिसेज में बदल देता है।
- यह उन्हें आपके व्यक्तिगत हैबिटस में मिला देता है।
- यह आपके समान लोगों के आधार पर आपकी फील्ड (आपकी जनजाति) को खोजता है।
- यह तीनों परतों को एक साथ AI को फीड करता है।
परिणाम:
जब आप AI से कोई प्रश्न पूछते हैं, तो वह केवल "उपयोगकर्ता ने X के बारे में पूछा" नहीं देखता। वह देखता है:
- "यह एक ऐसा उपयोगकर्ता है जिसकी X पसंद करने की दीर्घकालिक आदत (Habitus) है।"
- "यह उपयोगकर्ता एक ऐसे समूह का हिस्सा है जो आम तौर पर Y को प्राथमिकता देता है (Field)।"
- "इस प्रश्न का विशिष्ट, शोर-मुक्त इरादा (Practice) यहाँ है।"
शोध पत्र ने क्या पाया
लेखकों ने इसका परीक्षण LaMP नामक एक बेंचमार्क पर किया (जिसमें समाचार सुर्खियाँ लिखना, फिल्मों को टैग करना या उत्पादों को रेटिंग देना जैसे कार्य शामिल हैं)।
- परिणाम: उनकी विधि (PHFCompass) ने पुराने तरीकों को लगातार मात दी।
- क्यों: पुराने तरीके ईंटों के ढेर (फ्लैट डेटा) को देखने जैसे थे। PHFCompass एक घर बनाता था (पदानुक्रमित संरचना/hierarchical structure)। इसने दिखाया कि व्यवहार समय के साथ कैसे जुड़ते हैं (हैबिटस) और आप किसके समान हैं (फील्ड) यह समझना AI को यह अनुमान लगाने में बहुत बेहतर बनाता है कि आप क्या चाहते हैं।
संक्षेप में, शोध पत्र का तर्क है कि AI को वास्तव में व्यक्तिगत बनाने के लिए, हमें उपयोगकर्ताओं को यादृच्छिक क्लिक की सूची के रूप में मानना बंद करना होगा और उन्हें एक इतिहास, एक शैली और एक समुदाय वाले व्यक्तियों के रूप में देखना शुरू करना होगा।
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।