Semantic-Retrieval-Reasoning Pipeline: A Hybrid Large Language Model Framework for Intent-Aware and Explainable Bundle Recommendation
यह शोध पत्र सिमेंटिक-रिट्रीवल-रीज़निंग पाइपलाइन (SRRP) का प्रस्ताव करता है, जो एक हाइब्रिड एलएलएम (LLM) फ्रेमवर्क है जो बहु-इरादा उपयोगकर्ता आवश्यकताओं का पता लगाकर, मानव-संरेखित नामकरण और तर्क के साथ विविध, व्याख्यात्मक और इष्टतम आकार के उत्पाद बंडलों को उत्पन्न करके ग्रोसरी बंडल अनुशंसाओं को बढ़ाता है।
मूल पेपर CC BY 4.0 (https://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
तकनीकी सारांश: सिमेंटिक-रिट्रीवल-रीजनिंग पाइपलाइन (SRRP)
समस्या विवरण
वर्तमान बंडल रिकमेंडर सिस्टम्स (BRS) तीन चुनौतियों का सामना कर रहे हैं: व्याख्यात्मकता (explainability) की कमी, कठोर बंडल आकार, और "मोनो-इंटेंट" (एकल-इरादा) धारणा। पारंपरिक पद्धतियां, जो बाधा-आधारित एल्गोरिदम (Apriori, FP-Growth) से लेकर ग्राफ न्यूरल नेटवर्क (GNNs जैसे BGCN और BundleNet) तक फैली हुई हैं, अक्सर "ब्लैक बॉक्स" के रूप में कार्य करती हैं, जो आइटम समूहों के लिए तार्किक औचित्य प्रदान करने में विफल रहती हैं। इसके अलावा, ये मॉडल अक्सर एक शॉपिंग बास्केट के प्रति एकल उपयोगकर्ता इरादे की धारणा रखते हैं, जिससे नीरस सिफारिशें होती हैं। हालांकि बड़े भाषा मॉडल (LLMs) का उपयोग करने वाले हालिया जनरेटिव दृष्टिकोणों ने व्याख्यात्मकता पेश की है, लेकिन वे कम्प्यूटेशनल अक्षमता, कॉम्बिनेटोरियल एक्सप्लोजन (combinatorial explosion), और भ्रम (hallucination) की प्रवृत्ति से ग्रस्त हैं। इन समस्याओं को कम करने के लिए, मौजूदा जनरेटिव मॉडल अक्सर स्थिर, छोटे बंडल आकार (जैसे, 2-3 आइटम) लागू करते हैं, जो वास्तविक दुनिया की विविध और गतिशील उपभोक्ता आवश्यकताओं, विशेष रूप से थोक या मल्टी-इंटेंट खरीदारी को समायोजित करने में विफल रहता है।
कार्यप्रणाली: सिमेंटिक-रिट्रीवल-रीजनिंग पाइपलाइन (SRRP)
लेखक SRRP का प्रस्ताव करते हैं, जो एक हाइब्रिड फ्रेमवर्क है जो इरादा-जागरूक (intent-aware), गतिशील और व्याख्यात्मक बंडल उत्पन्न करने के लिए तीन-चरणीय पाइपलाइन में LLM प्रॉम्प्टिंग और एम्बेडिंग तकनीकों को एकीकृत करता है।
सिमेंटिक सेगमेंटेशन यूनिट (SSU):
- कार्य: शोर वाले, मल्टी-इंटेंट शॉपिंग कार्ट को विशिष्ट इंटेंट क्लस्टर्स में विभाजित करने के लिए एक संज्ञानात्मक फिल्टर (cognitive filter) के रूप में कार्य करता है।
- तंत्र: यह सिमेंटिक क्लस्टरिंग करने के लिए इन-कॉन्टेक्स्ट लर्निंग (ICL) और फ्यू-शॉट प्रॉम्प्टिंग के साथ एक LLM का उपयोग करता है। बास्केट को एक एकल वेक्टर के रूप में मानने के बजाय, SSU उपयोग के अवसरों (जैसे, "ब्रेकफास्ट", "ऑफिस सप्लाईज़") के आधार पर आइटमों को लेबल करता है।
- सैद्धांतिक आधार: "सिमेंटिक वेरिएंस रिडक्शन थ्योरम" यह प्रतिपादित करता है कि कार्यात्मक निकटता द्वारा आइटमों को क्लस्टर करने से इंट्रा-क्लस्टर सिमेंटिक वेरिएंस कम हो जाता है, जिससे पूरी कार्ट को एक एकल इकाई के रूप में संसाधित करने की तुलना में रिट्रीवल एरर बाउंड्स न्यूनतम हो जाते हैं।
कॉन्टेक्स्टुअल रिट्रीवल यूनिट (CRU):
- कार्य: SSU द्वारा उत्पन्न इंटेंट क्लस्टर्स के आधार पर ऐतिहासिक डेटाबेस से तथ्यात्मक कैंडिडेट बंडलों को पुनर्प्राप्त (retrieve) करता है।
- तंत्र: यह सेंटेंस-ट्रांसफॉर्मर (जैसे, all-MiniLM-L6-v2) का उपयोग करके इंटेंट क्लस्टर्स को हाई-डायमेंशनल डेंस वेक्टर्स में बदल देता है। ये वेक्टर्स कोसाइन सिमिलैरिटी (Cosine Similarity) का उपयोग करके एक वेक्टर डेटाबेस (ChromaDB) को क्वेरी करते हैं ताकि सिमेंटिक रूप से प्रासंगिक ऐतिहासिक बंडल खोजे जा सकें।
- सैद्धांतिक आधार: "सिमेंटिक रेलेवेंस बाउंड थ्योरम" यह प्रदर्शित करता है कि डेंस वेक्टर रिट्रीवल कीवर्ड ओवरलैप के बिना भी सिमेंटिक रूप से प्रासंगिक आइटमों की पहचान कर सकता है, जो रिकॉल (recall) के मामले में पारंपरिक सटीक-मैच या एसोसिएशन नियम विधियों से बेहतर प्रदर्शन करता है।
- रीजनिंग वैलिडेशन यूनिट (RVU):
- कार्य: कैंडिडेट बंडलों को मान्य करता है, बंडल के आकार को गतिशील रूप से समायोजित करता है, और प्रेरक प्राकृतिक भाषा स्पष्टीकरण और नाम उत्पन्न करता है।
- तंत्र: यह कैंडिडेट आइटमों की उपयोगकर्ता की मूल कार्ट के विरुद्ध तार्किक पूरकता (logical complementarity) का मूल्यांकन करने के लिए चेन-ऑफ-थॉट (CoT) प्रॉम्प्टिंग का उपयोग करता है। यह भ्रम (hallucinations) को फ़िल्टर करता है, अप्रासंगिक आइटमों को हटा देता है, और व्याख्यात्मक वृत्तांत (narratives) का निर्माण करता है।
- ह्यूमन-इन-द-लूप (HITL) अलाइनमेंट: संज्ञानात्मक संरेखण सुनिश्चित करने और भ्रम को रोकने के लिए, RVU के तर्क को नौ स्वतंत्र मानव एनोटेटरों द्वारा स्थापित ग्राउंड ट्रुथ के विरुद्ध मान्य किया जाता है। सिस्टम एक "डायनेमिक CoT" दृष्टिकोण का उपयोग करता है, जो मशीन के तर्क को मानव धारणा के साथ संरेखित करने के लिए क्यूरेटेड उदाहरणों को इंजेक्ट करता है।
- सैद्धांतिक आधार: "डायनेमिक बंडल साइज ऑप्टिमलिटी थ्योरम" तर्क देता है कि तार्किक प्रासंगिकता के आधार पर कंडीशनल प्रूनिंग (conditional pruning), स्थिर आकार वाली प्रणालियों की तुलना में समावेशन त्रुटियों को कम करती है।
प्रमुख योगदान
- हाइब्रिड फ्रेमवर्क: SRRP का परिचय, जो एक ही पाइपलाइन में तकनीकी सटीकता (एम्बेडिंग-आधारित रिट्रीवल के माध्यम से) और संज्ञानात्मक पारदर्शिता (LLM रीजनिंग के माध्यम से) को एकीकृत करता है।
- मल्टी-इंटेंट डीकंपोजिशन: शोर वाले उपयोगकर्ता बास्केट को गतिशील रूप से मल्टी-इंटेंट क्लस्टर्स में विभाजित करने के लिए एक संज्ञानात्मक फिल्टर के रूप में LLMs का उपयोग, जो कठोर मैनुअल फीचर ट्यूनिंग पर निर्भरता को समाप्त करता है।
- डायनेमिक बंडल साइजिंग: एक रीजनिंग वैलिडेशन मॉड्यूल जो पिछले जनरेटिव मॉडल्स की स्थिर बाधाओं को तोड़ता है, जिससे उपयोगकर्ता संदर्भ के आधार पर बंडल आकार (3 से 45 आइटम तक) गतिशील रूप से अनुकूलित हो सकता है।
- व्याख्यात्मकता और सत्यापन: बंडल नामकरण और स्पष्टीकरण को मान्य करने के लिए ह्यूमन-इन-द-लूप पद्धति का एकीकरण, जो मानव संज्ञानात्मक सहमति के साथ संरेखण सुनिश्चित करता है और भ्रम को कम करता है।
प्रायोगिक परिणाम
Instacart 2017 डेटासेट पर लीव-वन-आउट प्रोटोकॉल का उपयोग करके, SRRP का मूल्यांकन पांच बेसलाइन मॉडलों (Apriori, FP-Growth, BundleNet, BGCN, CrossCBR) के विरुद्ध किया गया।
- प्रासंगिकता और रैंकिंग: SRRP ने टॉप-20 सिफारिशों में श्रेष्ठ प्रदर्शन किया। रैंडम मास्किंग (RM) रणनीति ने 0.1100 का हिट रेट और 0.1298 का रिकॉल प्राप्त किया, जबकि सीक्वेंशियल स्प्लिटिंग (SS) रणनीति ने 0.1502 का रिकॉल और 0.0683 का MRR प्राप्त किया। ये मेट्रिक्स स्टेट-ऑफ-द-आर्ट ग्राफ मॉडलों (जैसे, CrossCBR रिकॉल: 0.0942) की तुलना में काफी बेहतर हैं।
- विविधता: SRRP ने उच्च इंट्रा-लिस्ट डाइवर्सिटी (ILD > 0.53) बनाए रखी, जिससे सटीकता और विविधता के बीच एक इष्टतम संतुलन प्राप्त हुआ, जबकि ग्राफ मॉडल उच्च विविधता दिखाते हैं लेकिन उनकी सटीकता काफी कम है।
- डायनेमिक साइजिंग: सिस्टम ने लगभग 79% उपयोगकर्ताओं के लिए 3 से 5 आइटम के आकार के बंडल सफलतापूर्वक उत्पन्न किए, जबकि थोक खरीदारों के लिए 45 आइटम तक के लॉन्ग-टेल वितरण को मजबूती से संभाला। इसने डीप लर्निंग बेसलाइन्स में सामान्य 2-आइटम पेयर्स के प्रति पूर्वाग्रह को प्रभावी ढंग से दबा दिया।
- व्याख्यात्मकता और संरेखण: उत्पन्न स्पष्टीकरणों ने 4.79/5.0 का G-Eval फ्लुएंसी स्कोर प्राप्त किया। मानव एनोटेटरों के साथ सिमेंटिक अलाइनमेंट (कोसाइन सिमिलैरिटी द्वारा मापा गया) 0.5907 (LLaMA-3) तक पहुँचा, जो बंडल की वैधता और नामकरण के संबंध में मानव संज्ञानात्मक तर्क के साथ मजबूत संरेखण को दर्शाता है।
महत्व और दावे
पेपर का दावा है कि SRRP पिछले मॉडलों की "ब्लैक बॉक्स" प्रकृति और स्थिर आकार की कठोरता को संबोधित करके बंडल रिकमेंडर सिस्टम्स में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। इरादा पहचान और रीजनिंग वैलिडेशन के लिए एक संज्ञानात्मक फिल्टर के रूप में LLMs का उपयोग करके, यह फ्रेमवर्क ऐसी सिफारिशें प्रदान करता है जो न केवल सटीक हैं बल्कि पारदर्शी और विश्वसनीय भी हैं। लेखक दावा करते हैं कि सिस्टम गणितीय रिट्रीवल और मानव तार्किक समझ के बीच के अंतर को सफलतापूर्वक पाटता है, जिससे एक तर्कसंगत और विश्वसनीय शॉपिंग असिस्टेंट प्रदान होता है। हालाँकि, लेखक विनम्रतापूर्वक सीमाओं को स्वीकार करते हैं, यह नोट करते हुए कि सिस्टम कभी-कभी "फोर्स्ड रेशनलाइजेशन" (यादृच्छिक आइटम संयोजनों का अत्यधिक औचित्य सिद्ध करना) से ग्रस्त होता है और भविष्य के कार्यों में अनुमान विलंबता (inference latency) को कम करने और फाल्स पॉजिटिव को कम करने के लिए रिजेक्शन थ्रेसहोल्ड को और अधिक कैलिब्रेट करने की आवश्यकता है।
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।