LLM-Augmented Knowledge Graph Reasoning with Disentangled Multimodal Fusion for Explainable E-Commerce Conversion Predictio
यह शोधपत्र LADMF का प्रस्ताव करता है, जो एक एकीकृत ढांचा है जो ई-कॉमर्स रूपांतरण भविष्यवाणी सटीकता को महत्वपूर्ण रूप से सुधारने और मानव-पठनीय, विश्वसनीय स्पष्टीकरण उत्पन्न करने के लिए LLM-संवर्धित नॉलेज ग्राफ रीजनिंग को डिसेंटैंगल्डेड मल्टीमॉडल फ्यूजन और काउंटरफैक्चुअल कॉज़ल अटेंशन के साथ एकीकृत करता 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
कल्पना कीजिए कि आप एक विशाल ऑनलाइन स्टोर चला रहे हैं। आपका लक्ष्य यह अनुमान लगाना है कि कौन सा ग्राहक कौन सा उत्पाद खरीदेगा। लेकिन आपके पास एक समस्या है: आपके पास बहुत अधिक जानकारी है। आपके पास वस्तुओं की तस्वीरें, विवरण, ग्राहकों की समीक्षाएं, ग्राहक ने क्या क्लिक किया, और उत्पादों के बीच संबंध दिखाने वाला एक विशाल मानचित्र है।
पुराना तरीका ऐसा था जैसे आग के फव्वारे से पानी पीने की कोशिश करना। कंप्यूटर इन सभी अलग-अलग प्रकार की जानकारियों को एक साथ मिलाकर एक बड़ा, अस्त-व्यस्त ढेर बना देता था। वह शायद यह अनुमान लगा लेता कि आप टोस्टर खरीदेंगे क्योंकि आपने ब्रेड की तस्वीर पर क्लिक किया था, लेकिन वह यह नहीं बता पाता कि उसने यह अनुमान क्यों लगाया, या क्या यह सिर्फ एक इत्तेफाक था।
यह शोध पत्र एक नई प्रणाली पेश करता है जिसे LADMF कहा जाता है। इसे अपने ऑनलाइन स्टोर के लिए एक सुपर-स्मार्ट, व्यवस्थित जासूस के रूप में समझें। यह कैसे काम करता है, यहाँ तीन सरल तरीकों में दिया गया है:
1. "सॉर्टिंग हैट" (डिसेन्टैंगल्ड मल्टीमॉडल फ्यूजन)
कल्पना कीजिए कि आपके पास कपड़ों की एक टोकरी है। कुछ कपड़े लाल हैं, कुछ नीले हैं, कुछ ऊनी हैं, और कुछ सूती हैं। यदि आप उन सभी को एक ढेर में फेंक देते हैं, तो आप कुछ भी ढूँढ नहीं पाएंगे।
LADMF एक "सॉर्टिंग हैट" का उपयोग करके लॉन्ड्री को दो ढेरों में अलग करता है:
- "असली कारणों" का ढेर: वे चीजें जो वास्तव में खरीदारी के लिए मायने रखती हैं, जैसे "मुझे यह ब्रांड पसंद है" या "मुझे इस विशिष्ट विशेषता की आवश्यकता है।" ये वे साझा (shared) संकेत हैं जो फोटो, टेक्स्ट और इतिहास में काम करते हैं।
- "शोर (Noise)" का ढेर: वे चीजें जो केवल संयोग मात्र हैं, जैसे "फोटो तेज़ धूप में ली गई थी" या "फॉन्ट नीला था।" ये एक प्रकार के डेटा के लिए विशिष्ट (specific) हैं और कंप्यूटर को भ्रमित कर सकते हैं।
"असली कारणों" को "शोर" से अलग करके, सिस्टम आकस्मिक पैटर्न से भ्रमित होना बंद कर देता है।
2. "लाइब्रेरियन" (एलएलएम-ऑगमेंटेड नॉलेज ग्राफ)
अब, कल्पना कीजिए कि स्टोर के पास उत्पादों को जोड़ने वाले तथ्यों का एक विशाल पुस्तकालय (नॉलेज ग्राफ) है। लेकिन पुस्तकालय के कुछ पन्ने गायब हैं। वह जानता है कि "सोनी हेडफ़ोन बनाती है" लेकिन वह यह नहीं जानता कि "सोनी स्पीकर भी बनाती है" क्योंकि यह डेटा गायब है।
LADMF एक लाइब्रेरियन (एक लार्ज लैंग्वेज मॉडल, या किताबें पढ़ने वाला AI) को नियुक्त करता है ताकि गायब पन्नों को भरा जा सके।
- लाइब्रेरियन संदर्भ को पढ़ता है और नए संबंध सुझाता है, जैसे "यह USB केबल इस स्पीकर के साथ संगत (compatible) है।"
- महत्वपूर्ण बात यह है कि लाइब्रेरियन केवल अनुमान नहीं लगाता; वह एक तथ्य-जांचकर्ता (fact-checker) के रूप में कार्य करता है। वह उत्पादों के बीच के रास्तों को देखता है और कहता है, "यह रास्ता तार्किक रूप से सही है," या "यह रास्ता एक भ्रम (hallucination) है; इसे अनदेखा करें।" यह सुनिश्चित करता है कि सिस्टम केवल तार्किक रास्तों का ही अनुसरण करे।
3. "क्या होगा अगर?" जासूस (क्रॉस-मोडल कॉज़ल अटेंशन)
यह सबसे चतुर हिस्सा है। पुराने सिस्टम कहते हैं, "मैंने एक क्लिक देखा, इसलिए मैं खरीदारी की भविष्यवाणी करता हूँ।" वे उस मौसम विज्ञानी की तरह हैं जो कहता है, "बारिश हुई क्योंकि घास गीली है।"
LADMF "क्या होगा अगर?" (Counterfactuals) का खेल खेलता है।
- यह पूछता है: "यदि मैं वस्तु की फोटो को हटा दूँ, तो क्या ग्राहक फिर भी खरीदेगा?"
- यदि उत्तर "नहीं" है, तो फोटो ही असली कारण थी।
- यदि उत्तर "हाँ" है, तो फोटो केवल एक भटकाव थी।
यह सिस्टम को एक विश्वसनीय स्पष्टीकरण (faithful explanation) देने की अनुमति देता है। केवल यह कहने के बजाय कि "आप इसे खरीदेंगे," यह कह सकता है, "आप इसे इसलिए खरीदेंगे क्योंकि आपको सोनी ब्रांड पसंद है, न कि केवल इसलिए क्योंकि तस्वीर अच्छी दिख रही थी।"
परिणाम
लेखकों ने तीन बड़े ऑनलाइन शॉपिंग डेटासेट (Amazon, Taobao, और JD) पर इस नए जासूसी सिस्टम का परीक्षण किया।
- बेहतर अनुमान: इसने पिछले किसी भी तरीके की तुलना में खरीदारी की अधिक सटीक भविष्यवाणी की (लगity 3% की सुधार के साथ)।
- बेहतर स्पष्टीकरण: जब मनुष्यों ने सिस्टम द्वारा दिए गए कारणों को पढ़ा, तो उन्होंने इसे पुराने सिस्टमों द्वारा दिए गए कारणों की तुलना में बहुत अधिक विश्वसनीय और उपयोगी बताया।
- मजबूती (Robustness): यहाँ तक कि जब सिस्टम के पास उपयोगकर्ता के बारे में बहुत कम डेटा था (जैसे कि एक नया ग्राहक), तब भी यह अच्छा प्रदर्शन करता रहा क्योंकि यह "शोर" से भ्रमित नहीं हुआ।
संक्षेप में
LADMF ऑनलाइन खरीदारी की भविष्यवाणी करने का एक नया तरीका है जो:
- अच्छे सुरागों को खराब शोर से अलग (Sort) करता है।
- गायब तथ्यों को भरने और तर्क की जांच करने के लिए AI लाइब्रेरियन का उपयोग करता है।
- यह साबित करने के लिए कि खरीदारी क्यों होने वाली है, "क्या होगा अगर?" पूछता है, जिससे स्टोर मालिक को भविष्यवाणी के लिए एक स्पष्ट और ईमानदार कारण मिलता है।
यह पेपर दावा करता है कि यह सिस्टम को अधिक सटीक और सबसे महत्वपूर्ण रूप से, अपने निर्णयों के पीछे के कारणों के बारे में अधिक ईमानदार बनाता 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।