大規模な言語モデルで説明可能なニュースの推奨事項を作成します

der Spiegelは、大規模な言語モデル（LLMS）を使用してニュース記事の推奨事項を改善します。 オフライン実験では、読書の履歴に基づいて読者の関心を予測するLLMの能力を評価しました。

方法論：

読者の調査データは、好みの基本的な真実を提供しました。 各参加者の読書履歴と記事の利息評価が使用されました。 AnthropicのClaude 3.5 Sonnet LLMは、推奨エンジンとして機能し、新しい記事への関心を予測するために、各読者の履歴（タイトルと要約）を受け取りました（スコア0-1000）。 JSON出力形式は、構造化された結果を保証しました。 LLMの予測は、実際の調査評価と比較されました。 詳細な方法論を入手できます：

ニュース推奨システムのオフライン評価への混合メソッドアプローチ

重要な調査結果：

印象的な結果が達成されました。 Precision@5は56％に達しました - 5つの記事を推奨するとき、3つ近くがユーザーの最高評価の記事の1つでした。 ユーザーの24％について、4つまたは5つのトップ記事が正しく予測されました。さらに41％の場合、5人中3人が正しかった。 これは、ランダムな推奨事項（38.8％）、人気ベースの推奨事項（42.1％）、および以前の埋め込みベースのアプローチ（45.4％）を大幅に上回る。

チャートは、他の方法よりもLLMアプローチのパフォーマンスの隆起を示しています。 2番目のメトリックであるスピアマン相関は0.41に達し、埋め込みベースのアプローチ（0.17）を大幅に超えており、優先強度の優れた理解を示しています。

説明可能性：

LLMの説明可能性は重要な利点です。 例は、システムが読み取りパターンを分析し、推奨事項を正当化する方法を示しています：

この透明性は、信頼とパーソナライズを強化します

課題と将来の方向性：

<code>User has 221 articles in reading history

Top 5 Predicted by Claude:
... (List of articles with scores and actual ratings)

Claude's Analysis:
... (Analysis of reading patterns and scoring rationale)</code>

高いAPIコスト（ユーザーあたり0.21ドル）と処理速度（ユーザーあたり数秒）がスケーラビリティの課題を引き起こします。 オープンソースモデルと迅速なエンジニアリングを探索すると、これらを軽減できます。 追加データ（読み取り時間、記事の人気）を組み込むと、パフォーマンスがさらに向上する可能性があります。

結論：

LLMの強力な予測力と説明可能性により、ニュースの推奨に役立ちます。 推奨事項を超えて、ユーザーの行動とコンテンツの旅を分析する新しい方法を提供し、パーソナライズされた概要と洞察を可能にします。

謝辞

この調査では、匿名化された集約されたユーザーデータを利用しました。 LinkedInから詳細な議論を歓迎します

参考文献

[1] Dairui、Liu＆Yang、Boming＆Du、Honghui＆Greene、Derek＆Hurley、Neil＆Lawlor、Aonghus＆Dong、Ruihai＆Li、Irene。 （2024）。 RECPROMPT：大規模な言語モデルを使用したニュース推奨のためのセルフチューニングプロンプトフレームワーク。

以上が大規模な言語モデルで説明可能なニュースの推奨事項を作成しますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。