Badanie Amazona PP-GLAM: Wyzwanie relacji substytut kontra komplement
Klasyfikacja trafności wyszukiwania produktowego wydaje się z pozoru bliska standardowym zadaniom rozumienia języka naturalnego: mając zapytanie użytkownika i opis produktu, model powinien ocenić, czy para jest trafna. Jednak głębszy wgląd w dane e-commerce ujawnia cztery jakościowo różne klasy relacji, które badanie Choudhary i współpracowników¹ określa skrótem ESCI: produkt dokładnie odpowiadający zapytaniu (exact), produkt będący zamiennikiem (substitute), produkt komplementarny (complement) i produkt nieistotny (irrelevant). Klasyfikacja tych czterech klas wymaga nie tylko rozumienia semantyki tekstu, lecz przede wszystkim wiedzy o intencji zakupowej, która rzadko wynika wprost z dosłownego znaczenia słów. Opublikowane na konferencji WWW 2024 badanie¹ demonstruje, że modele językowe osiągają w tym zadaniu dokładność 84-86%, lecz granica ich możliwości jest strukturalna. Przełomem jest dopełnienie semantyki grafami sygnałów behawioralnych, czyli historii interakcji klientów z produktami. Struktura PP-GLAM, łączący modele językowe z grafowymi sieciami neuronowymi przez interpretowalny zespół GBDT, podnosi dokładność do 90,45% przy macro-F1 wynoszącym 82,36%, przewyższając zarówno samodzielne modele językowe, jak i własnościowy model SALAM łączący wcześniej LM z GNN w sposób nieinterpretowalny.
