Transformer les expériences utilisateur avec des parcours d'intérêt

Les grands modèles de langage (LLMs) sont des outils puissants qui comprennent et génèrent le langage humain. Ces modèles peuvent vraiment aider à comprendre ce que veulent les utilisateurs et à améliorer leur expérience sur les plateformes de recommandation. Cependant, ils n'ont pas encore été utilisés à fond pour personnaliser les expériences des utilisateurs en fonction de leurs intérêts actuels. Cet article discute de la manière dont les LLMs peuvent changer la donne.

#C'est quoi les parcours d'intérêt ?

Les parcours d'intérêt font référence aux intérêts continus des utilisateurs au fil du temps. Contrairement aux intérêts temporaires, ces parcours durent des jours, des mois, voire des années. Par exemple, quelqu'un qui adore la comédie de stand-up pourrait vouloir des infos sur différents styles comiques au fil du temps. De même, une personne qui apprend un instrument ou qui veut améliorer sa déco cherche des recommandations selon son niveau de compétence et ses objectifs. Comprendre ces intérêts à long terme peut conduire à de meilleures recommandations.

#Le défi des systèmes de recommandation actuels

La plupart des systèmes de recommandation d'aujourd'hui utilisent les activités passées des utilisateurs pour prédire ce qu'ils pourraient vouloir ensuite. Cependant, cette méthode ne peut pas capter les intérêts plus larges et plus profonds des utilisateurs. Les utilisateurs n'expriment souvent pas directement leurs intérêts, ce qui complique la tâche de ces systèmes pour comprendre leurs objectifs actuels. De plus, les utilisateurs peuvent avoir plusieurs intérêts qui se croisent, rendant la fourniture de recommandations pertinentes encore plus compliquée.

#Le rôle des grands modèles de langage

Les LLMs ont de grandes capacités en matière de compréhension et de génération de langage naturel, qui peuvent être appliquées pour améliorer les systèmes de recommandation. En analysant les activités des utilisateurs, les LLMs peuvent identifier et résumer les intérêts des utilisateurs d'une manière qui semble naturelle et relatable. Cela pourrait potentiellement conduire à une expérience utilisateur plus significative et informative.

#Construire un cadre pour les parcours utilisateurs

Un nouveau cadre est proposé pour mieux saisir les parcours d'intérêt des utilisateurs. Ce cadre implique deux étapes principales :

1. Extraire les intérêts des utilisateurs : Cela consiste à identifier les principaux intérêts des utilisateurs en fonction de leur historique d'activité.
2. Nommer les intérêts : Une fois les intérêts identifiés, les LLMs fourniront des noms descriptifs pour ces parcours, facilitant ainsi la compréhension par les utilisateurs de la manière dont la plateforme répond à leurs besoins.

#Conclusions de recherche sur les parcours utilisateurs

Pour créer un système de recommandation efficace, les utilisateurs ont été questionnés sur leurs intérêts en cours via des enquêtes et des interviews. Cette recherche a mis en lumière plusieurs points clés :

1. Valeur de contenu diversifié : Les utilisateurs recherchent du contenu lié au divertissement, à l'apprentissage et à l'engagement avec leurs communautés. Cela indique une demande pour des recommandations qui reflètent ces dimensions.

2. Intérêts simultanés : Beaucoup d'utilisateurs poursuivent plusieurs intérêts en même temps. Par exemple, un utilisateur pourrait vouloir apprendre à jouer de la guitare tout en suivant des conseils de déco.

3. Importance de la participation active : La plupart des utilisateurs préfèrent utiliser des fonctions de recherche pour trouver du contenu pertinent plutôt que de compter uniquement sur les fils de recommandations, ce qui suggère un besoin pour des systèmes qui donnent plus de contrôle aux utilisateurs.

4. Intérêts évolutifs : Les intérêts des utilisateurs changent avec le temps, influencés par leurs interactions en ligne et leurs expériences dans la vie réelle. Par conséquent, comprendre les nuances personnelles de chaque parcours est essentiel.

#Développement du service de parcours

Le service de parcours proposé se concentre sur l'identification et la nomination des parcours utilisateurs en fonction de leurs intérêts, besoins et objectifs. Ce service comporte deux composants :

#Extraction de parcours

Cette étape consiste à examiner les historiques d'activité des utilisateurs et à les regrouper en groupes cohérents basés sur des intérêts liés. L'objectif est de créer des clusters qui représentent les intérêts en cours des individus sans les mélanger avec d'autres parcours.

#Nommer les parcours

Une fois les parcours extraits, il est crucial de fournir des noms clairs et relationnels pour ceux-ci. En utilisant des LLMs, chaque parcours sera décrit de manière à résonner avec la façon dont les utilisateurs pensent à leurs intérêts. Cela rend plus facile pour les utilisateurs de se connecter avec ce que la plateforme comprend d'eux.

#Méthodologie

Le service de parcours a été développé en utilisant une combinaison de recherche utilisateur, de techniques d'extraction de données et de modèles linguistiques avancés.

#Recherche utilisateur

Des enquêtes et des interviews ont été menées avec un groupe d'utilisateurs divers pour recueillir des idées sur leurs intérêts en cours. Ces données ont aidé à façonner la compréhension de ce que les utilisateurs apprécient dans leurs parcours et comment ils préfèrent interagir avec les systèmes de recommandation.

#Algorithme pour l'extraction de parcours

Un algorithme de clustering personnalisé a été conçu pour regrouper les activités des utilisateurs en clusters cohérents. Cette approche garantit qu'aucun parcours de deux utilisateurs ne soit traité de la même manière, permettant un processus de recommandation plus sur mesure.

#Utilisation des LLMs pour nommer

Les LLMs ont été formés et ajustés en utilisant des données de haute qualité spécifiques aux intérêts des utilisateurs. Ce réglage permet aux modèles de générer des noms qui reflètent avec précision le contenu avec lequel les utilisateurs s'engagent, rendant le processus de nomination plus clair et engageant.

#Résultats et découvertes

La mise en œuvre du service de parcours a entraîné plusieurs découvertes significatives :

#Amélioration de la précision des recommandations

En utilisant les parcours extraits, le système de recommandation a fourni de meilleures suggestions aux utilisateurs. La personnalisation des recommandations basée sur des parcours à long terme plutôt que sur des activités isolées a permis aux utilisateurs de recevoir du contenu qui correspondait mieux à leurs préférences.

#Compréhension améliorée des utilisateurs

Les LLMs ont efficacement résumé les intérêts des utilisateurs dans des termes relatables. Les utilisateurs ont rapporté se sentir mieux compris et ont apprécié la clarté des parcours nommés.

#Contrôle des utilisateurs sur les recommandations

Avec une compréhension plus claire de leurs parcours, les utilisateurs ont pu mieux guider leurs recommandations. Ils pouvaient spécifier quels intérêts ils voulaient plus ou moins de suggestions, ce qui a conduit à une expérience plus satisfaisante.

#Directions futures

En regardant vers l'avenir, il reste un potentiel significatif pour améliorer les systèmes de recommandation. Les travaux futurs pourraient se concentrer sur :

1. Interaction améliorée : Développer des fonctionnalités qui permettent aux utilisateurs d'interagir davantage avec leurs parcours et d'influencer les recommandations.

2. Applications plus larges : Explorer comment le service de parcours peut être appliqué à différentes plateformes et démographies.

3. Amélioration continue : Recueillir les retours des utilisateurs de manière continue pour affiner les processus d'extraction et de nomination, en veillant à ce qu'ils évoluent avec les intérêts des utilisateurs.

#Conclusion

L'intégration des LLMs dans les systèmes de recommandation offre une approche prometteuse pour comprendre et améliorer les expériences des utilisateurs. En se concentrant sur les intérêts à long terme des utilisateurs et leurs parcours personnels, il est possible de créer une plateforme plus personnalisée et engageante. À mesure que la technologie évolue, le potentiel de mieux servir les utilisateurs en comprenant leurs intérêts changeants continuera d'avancer, menant à des interactions plus riches et à des recommandations plus significatives.