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

Résumé

Lorsque les utilisateurs sont insatisfaits des recommandations fournies par un système de recommandation, ils manquent souvent de contrôles fins permettant de les modifier. Les grands modèles linguistiques (LLM) offrent une solution en permettant aux utilisateurs de guider leurs recommandations à l’aide de requêtes formulées en langage naturel (par exemple : « Je souhaite voir des publications respectueuses présentant une perspective différente de la mienne »). Nous proposons une méthode, CTRL-Rec, qui permet de contrôler en temps réel les systèmes traditionnels de recommandation par le biais du langage naturel, tout en préservant une efficacité computationnelle élevée. Plus précisément, lors de l’apprentissage, nous utilisons un LLM pour simuler si un utilisateur approuverait un élément donné en fonction de sa requête linguistique, puis nous entraînons des modèles d’encodage capables d’approximer ces jugements simulés. Nous intégrons ensuite ces prédictions basées sur les requêtes des utilisateurs dans le poids standard des signaux optimisés par les systèmes traditionnels de recommandation. Au moment du déploiement, nous n’avons besoin que d’un calcul d’encodage LLM par requête utilisateur, ce qui permet un contrôle en temps réel des recommandations. Des expériences menées sur le jeu de données MovieLens montrent que notre méthode permet de manière cohérente un contrôle fin sur une large diversité de requêtes. Dans une étude portant sur 19 utilisateurs de Letterboxd, nous constatons que CTRL-Rec a été globalement bien accueilli, et qu’il améliore significativement le sentiment de contrôle et la satisfaction des utilisateurs par rapport aux contrôles traditionnels.