Mender: Preference Discerning e Generative Retrieval per raccomandazioni personalizzate
La puntata approfondisce Mender, un modello di generative retrieval progettato per ottimizzare i sistemi di raccomandazione integrando le preferenze degli utenti espresse in linguaggio naturale. Mender adotta un approccio a due fasi, denominato preference approximation e preference conditioning, che consente di generare raccomandazioni altamente personalizzate. Questo sistema gestisce efficacemente sia preferenze positive che negative, evidenziando un incremento significativo delle metriche di accuratezza, fino al 45%, rispetto ai modelli tradizionali. Il modello si avvale di semantic IDs per rappresentare gli item e viene testato su vari benchmark, dimostrando prestazioni superiori in ambiti come il controllo fine-grained e coarse-grained, l'aderenza al sentiment e la gestione della cronologia. La sua applicazione nell'e-commerce si traduce in una personalizzazione più avanzata e in un incremento delle conversioni.