通过大型语言模型来解释新闻建议

Spiegel der Spiegel使用大型语言模型（LLM）探索以改善新闻文章的建议。 离线实验评估了LLM根据阅读历史预测读者兴趣的能力。

方法论：

读者调查数据提供了偏好的基础真实。 使用了每个参与者的阅读历史记录和文章兴趣评分。 Anthropic的Claude 3.5 Sonnet LLM充当推荐引擎，收到了每个读者的历史记录（标题和摘要），以预测新文章的兴趣（得分为0-1000）。 JSON输出格式确保结构化结果。 将LLM的预测与实际的调查等级进行了比较。

中可用详细的方法。

>

脱机评估新闻推荐系统的混合方法

>

键调查结果：

取得了令人印象深刻的结果。 Precision@5达到56％ - 推荐5篇文章时，将近3篇是用户最高评级的文章。 对于24％的用户，正确预测了4个或5个顶级文章；对于另外41％，5分中有3个是正确的。 这显着优于随机建议（38.8％），基于受欢迎程度的建议（42.1％）和以前的基于嵌入的方法（45.4％）。 图表说明了LLM方法的性能在其他方法上的性能。

第二个度量标准达到0.41，大大超过了基于嵌入的方法（0.17），这表明对偏好强度的理解超过了。

>

。

解释性：

LLM的解释性是关键优势。 一个示例说明了系统如何分析阅读模式并证明建议：

这种透明度增强了信任和个性化。

挑战和未来方向：

<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API成本（每位用户$ 0.21）和处理速度（每个用户几秒钟）构成可伸缩性挑战。 探索开源模型和及时工程可以减轻这些模型。 合并其他数据（阅读时间，文章的受欢迎程度）可以进一步提高性能。

结论：

> LLM的强大预测能力和解释性使它们对于新闻推荐很有价值。 除了建议之外，他们还提供了分析用户行为和内容旅行的新方法，实现了个性化的摘要和见解。

确认

这项研究利用了匿名，汇总的用户数据。 欢迎通过LinkedIn进行进一步的讨论。

>参考

[1] Dairui，Liu＆Yang，Boming＆Du，Honghui＆Greene，Derek＆Hurley，Neil＆Lawlor，Aonghus＆Dong，Ruihai＆Li，Ruihai＆Li，Irene。 （2024）。 Recprompt：使用大语言模型的新闻推荐提示框架的自我调整框架。

以上是通过大型语言模型来解释新闻建议的详细内容。更多信息请关注PHP中文网其他相关文章！