Исследователи представили CALMRec — архитектуру для рекомендательных систем, которая разделяет долгосрочные предпочтения пользователя, сиюминутные намерения и влияние истории показов. В отличие от стандартных LLM-рекомендателей, склонных к формированию «петли обратной связи» из-за переоценки кликов, этот метод использует причинно-следственный анализ для более точного моделирования реального интереса пользователя и повышения качества долгосрочных прогнозов.
Современные модели часто смешивают разнородные данные, что приводит к тому, что случайные клики или навязчивая реклама интерпретируются как истинные предпочтения. CALMRec вводит механизм «причинно-следственного выравнивания» (causally aligned), который фильтрует шум, вызванный самим процессом демонстрации контента. Это позволяет системе отличать осознанный выбор от реактивного поведения, вызванного алгоритмическим воздействием.
Такой подход решает проблему деградации рекомендаций, когда модель начинает предлагать пользователю только то, что он уже видел, игнорируя скрытые потребности. Разделение памяти на уровни (постоянные интересы и временные интенты) помогает системе сохранять контекст даже при смене пользовательского поведения, обеспечивая более релевантную выдачу в долгосрочной перспективе.
Ключевые факты
- CALMRec разделяет пользовательский профиль на три компонента: устойчивые предпочтения, транзиторные намерения и поведение, индуцированное показами.
- Метод минимизирует влияние «петли обратной связи», при которой алгоритм ошибочно принимает частоту показов за высокую степень интереса.
- Архитектура позволяет LLM эффективнее интерпретировать противоречивые данные о взаимодействиях, повышая точность предсказаний на длинных временных горизонтах.
- Исследование направлено на устранение проблемы «схлопывания» профиля пользователя, характерной для классических LLM-рекомендателей.