AdaRec: двухканальное рассуждение для рекомендаций на основе данных

⚠️ Выбор примера: AdaRec показывает сильные результаты на задачах с табличными данными и историческими кейсами. Не для простых вопросов без контекста, не для творческих задач. Сильная зона — персонализированные рекомендации на основе профиля и истории похожих случаев.

Задача: Вы управляете интернет-магазином электроники в России. Нужно порекомендовать 3 товарные категории для персонального email-предложения клиенту на основе его истории покупок и поведения.

Промпт:

Ты — менеджер по персонализации в интернет-магазине "Техносфера". 
Задача: порекомендовать 3 товарные категории для email-рассылки клиенту.

ПРОФИЛЬ КЛИЕНТА (нарративное описание):
Активность клиента выше среднего — 315 визитов за год против 180 у типичного покупателя. 
Просматривал 5 категорий за последний месяц, что говорит о широком интересе. 
Фокус на беспроводных устройствах и спорттоварах в последние 3 месяца. 
Использует мобильное приложение активно (522 сессии за год). 
Средний чек ₽8,500 — в топ-25% покупателей. 
Prime-подписка активна 2 года.

FACTOR ANALYSIS — ключевые факторы влияния на выбор категории:
1. Частота визитов в приложение (высокая корреляция с покупкой новинок)
2. Количество просмотренных категорий (широта интересов)
3. История категорий в корзине (беспроводные устройства, спорт)
4. Средний чек (готовность к премиум-сегменту)

PATTERN ANALYSIS — что выбирали похожие клиенты:

Кейс 1: Профиль: 320 визитов/год, 6 категорий/месяц, средний чек ₽9,200, 
фокус на электронике и спорте.
Купил: беспроводные наушники, фитнес-браслет, портативная колонка.

Кейс 2: Профиль: 290 визитов/год, 4 категории/месяц, средний чек ₽7,800, 
Prime-подписка, интерес к гаджетам.
Купил: умные часы, внешний аккумулятор, игровая мышь.

Кейс 3: Профиль: 340 визитов/год, 5 категорий/месяц, средний чек ₽8,900, 
активное использование приложения.
Купил: Bluetooth-гарнитура, спортивная камера, чехол для планшета.

На основе Factor Analysis (что важно) и Pattern Analysis (что работало у похожих) 
порекомендуй 3 категории товаров для этого клиента. 
Формат: {"категории": ["категория1", "категория2", "категория3"], 
"уверенность": "высокая/средняя/низкая", "объяснение": "почему эти категории"}

Результат:

Модель выдаст JSON с тремя категориями и развёрнутым объяснением. В объяснении будут видны оба канала рассуждения: ссылки на паттерны из похожих кейсов (Pattern Analysis) и анализ ключевых факторов конкретного клиента (Factor Analysis). Например: "Беспроводные наушники — высокий средний чек позволяет премиум-сегмент (Factor), плюс в 2 из 3 похожих кейсах этот товар был куплен (Pattern)".

LLM плохо обрабатывают табличные данные напрямую. Модель видит список "feature1: 6, feature2: 3, feature3: 4", но не понимает контекст — это много или мало, как связаны между собой, какой тренд. Нарративный профилинг решает это: вместо сырых цифр даём описание с контекстом распределения ("выше среднего на 40%", "снижение за квартал"). Это то, что модель понимает хорошо — естественный язык с семантикой.

LLM сильны в поиске паттернов и причинно-следственных связях, но обычно используется что-то одно. Similarity-based подходы дают примеры похожих случаев, но не объясняют ПОЧЕМУ они сработали. Causal reasoning выделяет факторы влияния, но игнорирует проверенные паттерны из реальных кейсов. Оба подхода по отдельности дают неполную картину.

Двухканальное рассуждение использует обе сильные стороны одновременно. Pattern Analysis (горизонталь) — модель анализирует few-shot примеры похожих случаев и извлекает что сработало. Factor Analysis (вертикаль) — модель фокусируется на ключевых факторах конкретной ситуации через причинный анализ. Комбинация даёт и обобщение от паттернов, и специфику через факторы. Модель синтезирует рекомендацию, опираясь на оба канала, что даёт более точный и объяснимый результат.

Рычаги управления:

• Количество исторических кейсов в Pattern Analysis (в исследовании k=5) → увеличь для сложных задач, уменьши для экономии токенов
• Список ключевых факторов в Factor Analysis (в исследовании до 15 факторов) → сократи до 5-7 самых важных для фокуса
• Детальность нарративного профиля → упрости для быстрых задач, детализируй для сложных решений
• Формат вывода (JSON в примере) → замени на свободный текст для развёрнутых объяснений

Ты — {роль эксперта в области}. Задача: {описание задачи рекомендации}.

ПРОФИЛЬ (нарративное описание):
{Опиши данные естественным языком с контекстом: не "показатель = 5", 
а "выше среднего на 30%, рост за период"}

FACTOR ANALYSIS — ключевые факторы влияния:
{Список факторов, которые влияют на результат, с пояснением важности}

PATTERN ANALYSIS — что работало в похожих случаях:

Кейс 1: Профиль: {краткое описание похожего случая}
Результат: {что было выбрано/сделано}

Кейс 2: Профиль: {краткое описание похожего случая}
Результат: {что было выбрано/сделано}

Кейс 3: Профиль: {краткое описание похожего случая}
Результат: {что было выбрано/сделано}

На основе Factor Analysis (ключевые факторы) и Pattern Analysis (проверенные паттерны) 
дай рекомендацию для этого случая. 

Формат ответа: {твой формат — JSON, список, текст с обоснованием}

Как заполнять:

• {роль эксперта} — кто принимает решения в этой области
• {описание задачи} — что нужно порекомендовать
• Профиль — преобразуй сырые данные в связное текстовое описание с контекстом (относительные значения, тренды)
• Factor Analysis — выдели 5-10 факторов, которые влияют на решение в этой области
• Pattern Analysis — приведи 3-5 примеров похожих ситуаций с известным результатом
• Формат ответа — укажи нужную структуру (JSON, список, текст)

⚠️ Требует исторические кейсы: Метод работает когда есть примеры похожих случаев из прошлого. Для совершенно новых ситуаций без аналогов Pattern Analysis не даст пользы — останется только Factor Analysis.

⚠️ Ручная подготовка факторов: В оригинале Factor Analysis строится алгоритмом FCI на основе данных. В чате вам нужно самим выделить ключевые факторы влияния. Если факторы выбраны неправильно, вертикальный канал будет работать плохо.

⚠️ Качество нарративного профиля: Если описание данных поверхностное или без контекста, модель не получит преимущества перед работой с сырыми цифрами. Нужно вкладывать усилия в создание информативного нарратива.

⚠️ Не для творческих задач: Метод заточен под решения на основе данных и паттернов. Для креативной генерации (тексты, идеи, дизайн) двухканальное рассуждение избыточно и может ограничивать.

Исследователи взяли два датасета из реальной e-commerce практики. Первый — предсказание отклика клиента на маркетинговую кампанию (5,000 примеров обучения, 119 признаков). Второй — рекомендация брендов для промо-карусели (4,692 примера, 111 признаков, выбор из 17 брендов). Задачи из разных областей специально, чтобы проверить переносимость метода.

Команда сравнила AdaRec с классическими ML-моделями (LightGBM, обученный на 1.14M примеров, и Hierarchical RNN на 2B+ взаимодействий) и LLM-based базлайнами (MINT с синтетическими нарративами, NBCRS с retrieval из готовых ответов, RecMind с агентным подходом). Важная деталь — AdaRec тестировали в zero-shot и few-shot (5 примеров) режимах, тогда как ML-модели тренировали на огромных объёмах. Это демонстрирует ключевое преимущество: работа с минимальными данными.

Метрики: для предсказания отклика — Precision/Recall/F1, для брендов — Expected CTR (насколько рекомендованные бренды совпали с реальным выбором). Тестировали на трёх LLM: Claude-3.5-Sonnet, Llama-3.1-70B, Qwen-2.5-32B.

Удивительный результат: AdaRec с 5 примерами обогнал ML-модели, тренированные на миллионах записей. F1 94.33% против 86.67% у LightGBM — это +8% улучшение. В zero-shot сценарии нарративный профилинг от LLM показал +19% против экспертных профилей, созданных маркетологами вручную. Это означает, что LLM лучше людей формулируют контекст данных для собственного понимания — метод самодостаточен.

Инсайт для практики: Двухканальная архитектура даёт главный прирост именно от Pattern Analysis (исторических кейсов). Ablation study показала: нарративный профилинг — это база (F1 74.1%), причинные факторы добавляют немного (+1.9%), а исторические паттерны дают скачок до 90.9% (+16.8%). Вывод — few-shot примеры похожих случаев критичны, причинный анализ — усилитель, но не основа.

Кросс-задачная проверка подтвердила обобщающую способность: модель, файнтюненная на одной задаче, работала на другой почти без падения качества. Это значит, что нарративное представление помогает выучить универсальные паттерны поведения пользователей, применимые в разных контекстах.

Если задача простая или бюджет токенов ограничен, используй только один канал:

Только Pattern Analysis (для задач с хорошими историческими аналогиями):

Вот 3-5 похожих случаев из прошлого: [кейсы]
На основе этих паттернов порекомендуй для текущей ситуации: [профиль]

Только Factor Analysis (для новых ситуаций без аналогов):

Ключевые факторы влияния: [факторы]
Данные текущей ситуации: [профиль]
Проанализируй через призму этих факторов и дай рекомендацию.

Адаптируй стиль нарративного профиля под того, кто будет читать объяснение:

Создай нарративный профиль для {целевой аудитории}:
- Для технического лидера: фокус на метрики, тренды, количественные сравнения
- Для маркетолога: фокус на поведенческие паттерны, сегменты, инсайты
- Для топ-менеджмента: фокус на бизнес-импликации, риски, возможности

Данные: [сырые данные]

Для многофакторных решений с высокими ставками добавь явный CoT после двухканального анализа:

[Стандартный промпт AdaRec с Factor + Pattern Analysis]

Теперь, шаг за шагом:
1. Какие сигналы из Pattern Analysis противоречат Factor Analysis?
2. Как разрешить эти противоречия?
3. Какие риски у каждого варианта?
4. Финальная рекомендация с учётом всех факторов.

Это добавляет третий слой рефлексии поверх двухканального рассуждения.

AdaRec: Adaptive Recommendation with LLMs via Narrative Profiling and Dual-Channel Reasoning

Meiyun Wang (The University of Tokyo), Charin Polpanumas (Amazon.com, Inc.)

Proceedings of the 1st ICML Workshop on Foundation Models for Structured Data, 2025

Код: https://anonymous.4open.science/r/AdaRec-CE5C