Micah Carroll Adeline Foote Kevin Feng Marcus Williams Anca Dragan W. Bradley Knox Smitha Milli

الملخص

عندما يشعر المستخدمون بالإحباط تجاه التوصيات الصادرة عن نظام التوصية، فإنهم غالبًا ما يفتقرون إلى أدوات تحكم دقيقة قادرة على تعديل هذه التوصيات. توفر النماذج اللغوية الكبيرة (LLMs) حلاً من خلال تمكين المستخدمين من توجيه التوصيات عبر طلبات باللغة الطبيعية (مثل: "أريد رؤية منشورات تحترم وجهة نظري، ولكن بمنظور مختلف عني"). نقترح طريقةً تُسمى CTRL-Rec، تتيح التحكم بالأنظمة التقليدية للتوصية باستخدام اللغة الطبيعية في الوقت الفعلي، مع الحفاظ على الكفاءة الحسابية. وبشكل محدد، في مرحلة التدريب، نستخدم نموذج لغوي كبير لمحاكاة ما إذا كان المستخدم سيوافق على عنصر معين بناءً على طلبه باللغة الطبيعية، ثم نُدرّب نماذج التضمين (embedding) لتُقلّد هذه التقييمات المُحاكاة. وبعد ذلك، ندمج هذه التنبؤات القائمة على طلبات المستخدمين ضمن نظام الترجيح القياسي للإشارات التي تُحسّنها الأنظمة التقليدية للتوصية. وفي مرحلة التنفيذ، نحتاج فقط إلى عملية حسابية واحدة لتمثيل (embedding) النموذج اللغوي الكبير لكل طلب من المستخدم، مما يتيح التحكم الفوري في التوصيات. وقد أظهرت التجارب باستخدام مجموعة بيانات MovieLens أن طريقة CTRL-Rec تتيح بشكل متسق تحكمًا دقيقًا في التوصيات عبر تنوع كبير من الطلبات. كما أظهرت دراسة أجريت مع 19 مستخدمًا من منصة Letterboxd أن مستخدمي النظام أُعجبوا بالطريقة المقترحة، وارتفع بشكل ملحوظ شعورهم بالتحكم في التوصيات ورضاهم عنها مقارنة بالطرق التقليدية.