LLM-усиленные взаимодействия пользователь-элемент: использование информации об узлах для оптимизированных рекомендаций

Исследование решает проблему объединения двух миров: рекомендательных систем на основе графов (кто с кем/чем связан) и больших языковых моделей (которые понимают текст). Авторы предлагают "переводить" информацию о связях из графа в формат текстовых промптов, чтобы LLM могла их "прочитать" и понять. Это позволяет модели делать более точные рекомендации, учитывая не только прямые взаимодействия (пользователь купил товар), но и косвенные (другие товары того же бренда, похожие пользователи).

Ключевой результат: Преобразование структурных данных о связях в текстовые описания и подача их в LLM через специально разработанные промпты значительно повышает точность и релевантность рекомендаций.

Суть метода заключается в том, чтобы научить LLM думать как рекомендательная система, говоря с ней на её языке — языке текста. Вместо того чтобы подавать модели сухие ID пользователей и товаров, авторы предлагают "вербализовать" всю доступную информацию и взаимосвязи.

Представьте, что у вас есть таблица в Excel о покупках. Вместо того чтобы показать её модели, вы рассказываете ей историю: 1. Описание сущностей: "Есть товар 'Кроссовки Nike Air Max', его бренд 'Nike', категория 'спортивная обувь'. Есть пользователь 'Иван', он интересуется спортом". Это аналог "Item Contents" из исследования. 2. Описание прямых связей (1-го порядка): "Иван купил 'Кроссовки Nike Air Max' и оставил отзыв: 'Отличные кроссовки!'". Это аналог "1st Order User-Item Relationship". 3. Описание косвенных связей (2-го порядка): "Кстати, товары 'Кроссовки Nike Air Max' и 'Футболка Nike Dri-Fit' оба принадлежат бренду 'Nike'". Это аналог "2nd Order User-Item Relationship".

Собрав множество таких текстовых "фактов", модель сначала проходит общее обучение (pre-training), чтобы понять мир рекомендаций в целом.

Затем для конкретной задачи используется "персонализированный предсказательный промпт". Он строится по простой формуле: [История взаимодействий пользователя в прошедшем времени] + [Вопрос-триггер о будущем] Например: "Пользователь Иван в прошлом покупал: Кроссовки Nike Air Max, Гантели 5кг. Пользователь Иван в будущем купит: ?"

Такой подход заставляет LLM на основе текстового описания истории и связей сгенерировать наиболее вероятное продолжение — то есть, дать рекомендацию. Исследование также усиливает этот эффект, модифицируя "мозг" модели (механизм внимания), чтобы она уделяла больше внимания таким связям, но для нас важен именно принцип "вербализации" данных в промпте.

• Прямая применимость: Пользователь не может воспроизвести весь метод, так как он требует дообучения модели и изменения ее архитектуры. Однако, принцип "вербализации" данных и структура "история + триггер" абсолютно применимы в любом современном чат-боте (ChatGPT, Claude, Gemini). Можно взять любую структурированную задачу (планирование, анализ, выбор) и перевести ее в текстовое описание связей для получения более качественного ответа.

• Концептуальная ценность: Огромна. Исследование наглядно доказывает, что LLM способна понимать и использовать сложные, нелинейные взаимосвязи между объектами, если эти связи описаны текстом. Это меняет подход к промптингу: вместо того чтобы просто давать список фактов, нужно объяснять, как эти факты связаны между собой. Это помогает пользователю сформировать правильную "ментальную модель" работы LLM — она не просто ищет по ключевым словам, а строит внутреннюю семантическую карту на основе предоставленного текста.

• Потенциал для адаптации: Метод легко адаптируется. Вместо пользователей и товаров могут быть проекты и задачи, сотрудники и их компетенции, симптомы и возможные заболевания, ингредиенты и рецепты. Механизм адаптации прост:

  1. Определите ваши ключевые сущности (например, "сотрудник", "проект").
  2. Опишите их атрибуты ("у сотрудника есть компетенция 'Python'").
  3. Опишите прямые связи ("сотрудник А работает над проектом Б").
  4. Опишите косвенные связи ("проекты Б и В оба относятся к направлению 'финтех'").
  5. Сформулируйте задачу в формате "история + триггер" ("Сотрудник А успешно завершил проекты Б и В. Какой следующий проект ему лучше всего подойдет?").

Представим, что вы SMM-менеджер и хотите составить контент-план для кофейни.

Ты — опытный SMM-стратег, который анализирует данные и генерирует идеи для контент-плана. Твоя цель — предложить посты, которые с высокой вероятностью получат хороший отклик у аудитории.

# Контекст и связи

Вот информация о нашей кофейне и аудитории:

**1. Описание продуктов (сущности и атрибуты):**
*   Наш хит — "Латте с соленой карамелью". Он сладкий, но с соленой ноткой.
*   Новинка — "Эспрессо-тоник". Он горький, освежающий, летний.
*   Наша выпечка — круассаны и чизкейки. Они отлично сочетаются с кофе.

**2. Прямые связи (история взаимодействий, 1-й порядок):**
*   Пост с красивой фотографией "Латте с соленой карамелью" собрал больше всего лайков и сохранений.
*   Пост-инструкция "Как приготовить воронку дома" получил много комментариев и вопросов.
*   Посты с фотографиями гостей в нашем интерьере всегда вызывают позитивную реакцию.

**3. Косвенные связи (связи между темами, 2-й порядок):**
*   Мы заметили, что темы "альтернативные способы заваривания" (как воронка) и "редкие сорта кофе" интересны одной и той же продвинутой аудитории.
*   Темы "сладкие напитки" и "десерты" часто лайкают одни и те же подписчики.

# Задача (Персонализированный предсказательный промпт)

Основываясь на всем вышеизложенном контексте и связях, **предложи 3 идеи для постов в Instagram на следующую неделю, которые с наибольшей вероятностью будут успешными.**

Для каждой идеи укажи:
- **Тема поста:**
- **Формат:** (например, рилс, карусель фото, сторис)
- **Обоснование:** (объясни, почему эта идея сработает, ссылаясь на предоставленный контекст)

Этот промпт эффективен, потому что он в точности следует принципам из исследования, адаптируя их для креативной задачи:

1. Вербализация данных: Вместо сухой статистики (Латте - 500 лайков, Эспрессо-тоник - 50 лайков) мы даем качественное текстовое описание (Пост с ... собрал больше всего лайков). Это язык, который LLM понимает лучше всего.
2. Передача связей 1-го порядка: Мы явно указываем на успешные пары "контент-реакция" (пост про латте -> много лайков), что является аналогом "user-item interaction" из статьи.
3. Передача связей 2-го порядка: Мы даем модели неочевидный инсайт о пересечении интересов аудитории (тема А и тема Б интересны одним и тем же людям). Это позволяет LLM генерировать идеи на стыке этих тем, которые мы могли бы упустить.
4. Структура "Контекст + Задача": Промпт четко разделен на блок с данными ("Контекст и связи") и блок с задачей ("Задача"). Это помогает модели сначала "загрузить" всю информацию, а затем сфокусироваться на ее применении, что повышает качество вывода.

Задача: помочь студенту выбрать тему для курсовой работы.

Ты — научный руководитель, который помогает студентам выбирать темы для исследований. Твоя задача — проанализировать интересы и сильные стороны студента и предложить ему подходящие темы для курсовой работы.

# Контекст и связи

Вот информация о студенте:

**1. Профиль студента (сущность и атрибуты):**
*   Студент учится на факультете психологии, 3 курс.
*   Сильные стороны: хорошо пишет тексты, умеет проводить статистический анализ в SPSS.
*   Слабые стороны: не любит публичные выступления и проведение очных экспериментов с большими группами людей.

**2. Прямые связи (прошлый опыт и интересы, 1-й порядок):**
*   Студенту очень понравился курс по "Социальной психологии", особенно темы конформизма и влияния меньшинства.
*   Ему было скучно на курсе "Психофизиология".
*   В прошлом году он написал успешное эссе на тему "Влияние социальных сетей на самооценку подростков".

**3. Косвенные связи (связи между темами, 2-й порядок):**
*   Темы "социальные сети" и "кибербуллинг" тесно связаны и часто исследуются вместе.
*   Методы исследования, основанные на анализе текстов (контент-анализ) и онлайн-опросах, хорошо подходят для интровертов и не требуют очного взаимодействия.

# Задача (Персонализированный предсказательный промпт)

Основываясь на этом детальном профиле, **предложи 3 темы для курсовой работы, которые с высокой вероятностью подойдут этому студенту.**

Для каждой темы укажи:
- **Название темы:**
- **Предполагаемый метод исследования:**
- **Обоснование:** (объясни, почему эта тема и метод подходят студенту, ссылаясь на его сильные стороны, интересы и ограничения)

Этот пример работает по тем же фундаментальным причинам, что и предыдущий, демонстрируя универсальность подхода:

1. Создание богатого контекста: Промпт не просто говорит "студент-психолог", а создает подробный "аватар" с сильными и слабыми сторонами, интересами и ограничениями. Это аналог "user profile" из исследования.
2. Явное указание на связи:
   • 1-й порядок: Мы напрямую связываем студента с его предпочтениями (понравился курс Х, написал эссе на тему Y). Это позволяет LLM отталкиваться от уже подтвержденного интереса.
   • 2-й порядок: Мы даем модели дополнительную информацию о связях в предметной области (тема А связана с темой Б) и о связях между методами и типом личности (метод Х подходит для интровертов). Это та самая "edge information" (информация о ребрах графа), о которой говорится в статье.
3. Прогнозная формулировка: Задача сформулирована как прогноз (предложи темы, которые с высокой вероятностью подойдут). Это направляет LLM не просто на генерацию случайных тем по психологии, а на вывод наиболее релевантных вариантов на основе предоставленного структурированного контекста. Модель вынуждена синтезировать все факты для достижения цели.