KI-Modell kombiniert Kollaboratives Filtern mit Sprachmodellen für Empfehlungen

Eine neue Veröffentlichung auf arXiv (2602.05544v1) stellt RGCF‑XRec vor – ein hybrides Framework, das die Stärken von kollaborativem Filtern (CF) mit großen Sprachmodellen (LLMs) verbindet, um gleichzeitig personalisierte und erklärbare Empfehlungen zu liefern.

Im Kern nutzt RGCF‑XRec ein „reasoning‑guided“ Verfahren: Durch kontextuelle Prompting‑Techniken werden CF‑Kenntnisse in das Sprachmodell eingespeist, sodass das System latente Präferenzen erkennt und nachvollziehbare Begründungen generiert. Zusätzlich wird ein vierdimensionales Scoring‑System (Kohärenz, Vollständigkeit, Relevanz, Konsistenz) eingesetzt, um verrauschte CF‑Spuren zu filtern und nur hochwertige Erklärungen zu behalten.

Die experimentellen Ergebnisse sind überzeugend: Auf Amazon‑Datensätzen (Sports, Toys, Beauty) mit über 640 000 Interaktionen verbessert RGCF‑XRec die Hit‑Rate bei 10 Empfehlungen um 7,38 % im Sports‑Bereich und um 4,59 % bei Toys. Gleichzeitig steigen die ROUGE‑L‑Scores um 8,02 % bzw. 3,49 %. Im Cold‑Start‑Szenario reduziert das Modell die Leistungslücke um 14,5 % und im Warm‑Start um 11,9 %. Besonders bemerkenswert ist die Steigerung der Zero‑Shot‑Hit‑Rate um 18,54 % bei Beauty und 23,16 % bei Toys.

RGCF‑XRec demonstriert, dass die Kombination von CF‑Signalverarbeitung und Sprachmodell‑Erklärungen nicht nur die Empfehlungsgenauigkeit erhöht, sondern auch die Transparenz verbessert – ein wichtiger Schritt für vertrauenswürdige KI‑Anwendungen im E‑Commerce.