GraphLoRA propone un nuevo marco para la Recomendación con Grandes Modelos de Lenguaje (LLMRec) que integra información estructural con semántica textual. Para ello, incrusta una red de paso de mensajes de grafos entrenable dentro de la vía de adaptación de bajo rango, permitiendo que la topología colaborativa guíe explícitamente las actualizaciones de los parámetros.
Un artículo de Towards AI explica métodos de evaluación contrafactual (IPS, SNIPS y Doubly Robust) para modelos de clasificación de anuncios. Estas técnicas estiman el rendimiento del modelo a partir de datos registrados sin pruebas A/B, crucial para los sistemas de recomendación en el comercio minorista.
El contenido describe cómo la IA puede revolucionar las plataformas inmobiliarias al ofrecer recomendaciones de propiedades altamente personalizadas en lugar de filtros genéricos. Este enfoque reduce la carga cognitiva del comprador, lo que resulta en una mayor conversión y una reducción del 50% en los costos para 2026.
RecoGym es un entorno de aprendizaje por refuerzo diseñado para simular problemas de recomendación de productos en publicidad online. Proporciona una plataforma para que investigadores y profesionales prueben y desarrollen nuevos algoritmos de RL para sistemas de recomendación.
Los sistemas de IA evalúan las empresas para su inclusión en las respuestas basándose en la claridad de la entidad y las señales estructurales, no solo en el tamaño o la fama. Adaptar la presencia digital para la búsqueda de IA es fundamental, ya que sus factores de recomendación difieren del SEO tradicional y la brecha está creciendo.
WiseOWL propone una metodología sistemática con puntuación y orientación para seleccionar ontologías para su reutilización, abordando la falta de criterios consistentes. Evalúa cuatro métricas clave, incluyendo la documentación, la alineación etiqueta-definición (mediante embeddings), la interconectividad y el equilibrio jerárquico, ofreciendo puntuaciones normalizadas y retroalimentación accionable.
Esta investigación presenta un enfoque generativo en cascada para recomendaciones en comercio electrónico, buscando superar la rigidez de los sistemas de escaparate personalizados actuales. Descompone la construcción del escaparate en tareas de generación de temas y palabras clave, empleando el ajuste fino profesor-alumno para la escalabilidad.
Esta investigación explora un método para construir sistemas de recomendación escalables utilizando Factorización de Poisson. Se centra en optimizar el proceso de factorización para manejar grandes conjuntos de datos de manera eficiente.