通過大型語言模型來解釋新聞建議

Spiegel der Spiegel使用大型語言模型（LLM）探索以改善新聞文章的建議。 離線實驗評估了LLM根據閱讀歷史預測讀者興趣的能力。

方法論：

讀者調查數據提供了偏好的基礎真實。 使用了每個參與者的閱讀歷史記錄和文章興趣評分。 Anthropic的Claude 3.5 Sonnet LLM充當推薦引擎，收到了每個讀者的歷史記錄（標題和摘要），以預測新文章的興趣（得分為0-1000）。 JSON輸出格式確保結構化結果。 將LLM的預測與實際的調查等級進行了比較。

中可用詳細的方法。

>

脫機評估新聞推薦系統的混合方法

>

鍵調查結果：

取得了令人印象深刻的結果。 Precision@5達到56％ - 推薦5篇文章時，將近3篇是用戶最高評級的文章。 對於24％的用戶，正確預測了4個或5個頂級文章；對於另外41％，5分中有3個是正確的。 這顯著優於隨機建議（38.8％），基於受歡迎程度的建議（42.1％）和以前的基於嵌入的方法（45.4％）。 圖表說明了LLM方法的性能在其他方法上的性能。

第二個度量標準達到0.41，大大超過了基於嵌入的方法（0.17），這表明對偏好強度的理解超過了。

>

。

解釋性：

LLM的解釋性是關鍵優勢。 一個示例說明了系統如何分析閱讀模式並證明建議：

這種透明度增強了信任和個性化。

挑戰和未來方向：

<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（每位用戶$ 0.21）和處理速度（每個用戶幾秒鐘）構成可伸縮性挑戰。 探索開源模型和及時工程可以減輕這些模型。 合併其他數據（閱讀時間，文章的受歡迎程度）可以進一步提高性能。

結論：

> LLM的強大預測能力和解釋性使它們對於新聞推薦很有價值。 除了建議之外，他們還提供了分析用戶行為和內容旅行的新方法，實現了個性化的摘要和見解。

確認

這項研究利用了匿名，匯總的用戶數據。 歡迎通過LinkedIn進行進一步的討論。

>參考

[1] Dairui，Liu＆Yang，Boming＆Du，Honghui＆Greene，Derek＆Hurley，Neil＆Lawlor，Aonghus＆Dong，Ruihai＆Li，Ruihai＆Li，Irene。 （2024）。 Recprompt：使用大語言模型的新聞推薦提示框架的自我調整框架。

以上是通過大型語言模型來解釋新聞建議的詳細內容。更多資訊請關注PHP中文網其他相關文章！