beeFormer: Überbrückung der Lücke zwischen semantischer und Interaktionsähnlichkeit in Empfehlungssystemen

Das beeFormer-Projekt stellt einen neuartigen Ansatz für Empfehlungssysteme vor, der darauf abzielt, das Cold-Start-Problem zu lösen. Es nutzt Sprachmodelle, um Benutzerverhaltensmuster aus Interaktionsdaten zu lernen und dieses Wissen auf zuvor unsichtbare Artikel zu übertragen. Im Gegensatz zur traditionellen inhaltsbasierten Filterung, die auf Artikelattributen basiert, lernt beeFormer Benutzerinteraktionsmuster, um Artikel besser zu empfehlen, die mit den Interessen der Benutzer übereinstimmen, selbst ohne vorherige Interaktionsdaten. Experimente zeigen signifikante Leistungsverbesserungen. Das Projekt bietet detaillierte Trainingsschritte und vortrainierte Modelle und unterstützt Datensätze wie MovieLens, GoodBooks und Amazon Books.