LLMs optimieren Empfehlungen: Lernende Verbalisierung steigert Treffer um 93 %

Large Language Models (LLMs) werden zunehmend als Kernkomponenten in generativen Empfehlungssystemen eingesetzt. Ein bislang wenig erforschtes Problem dabei ist die Verbalisierung – die Umwandlung strukturierter Nutzerinteraktionsprotokolle in wirkungsvolle natürliche Sprachinputs. Traditionelle Ansätze nutzen starre Vorlagen, die Felder lediglich aneinanderreihen, was zu suboptimalen Repräsentationen führt.

In der neuen Studie wird ein datenorientiertes Framework vorgestellt, das mithilfe von Reinforcement Learning einen Verbalisierungsagenten trainiert. Dieser Agent wandelt rohe Interaktionshistorien in optimierte Textkontexte um, wobei die Genauigkeit der Empfehlung als Lernsignal dient. Durch gezieltes Filtern von Rauschen, Einbeziehen relevanter Metadaten und Umstrukturieren der Informationen verbessert der Agent die nachgelagerten Vorhersagen signifikant.

Experimentelle Tests auf einem großen industriellen Streaming-Datensatz zeigen, dass die lernbasierte Verbalisierung die Trefferquote bei der Entdeckung von Items um bis zu 93 % im Vergleich zu template‑basierten Baselines steigert. Zusätzlich identifiziert die Analyse emergente Strategien wie Zusammenfassung von Nutzerinteressen, Rauschunterdrückung und Syntaxnormalisierung, die wertvolle Einblicke in die effektive Kontextkonstruktion für LLM‑basierte Empfehlungssysteme liefern.

Diese Ergebnisse unterstreichen das enorme Potenzial von lernenden Verbalisierungsansätzen, die Leistungsfähigkeit von LLM‑gestützten Recommendern in der Praxis deutlich zu erhöhen und gleichzeitig neue Wege für die Gestaltung von Nutzerinteraktionsdaten zu eröffnen.