KGLA: Agenti linguistici potenziati da grafi di conoscenza per sistemi di raccomandazione

La puntata presenta il framework KGLA, un sistema di raccomandazione basato su agenti linguistici potenziati da grafi di conoscenza. KGLA migliora i tradizionali sistemi di raccomandazione basati su modelli linguistici di grandi dimensioni (LLM) fornendo informazioni contestuali dettagliate e creando profili utente più accurati, grazie all'uso di grafi di conoscenza che catturano le relazioni complesse tra utenti e prodotti. Il sistema utilizza tre moduli: Path Extraction, Path Translation e Path Incorporation. Il primo estrae i percorsi significativi nel grafo di conoscenza, il secondo li traduce in descrizioni testuali comprensibili agli agenti linguistici e il terzo li incorpora nel processo decisionale degli agenti per migliorare la loro memoria e le raccomandazioni. Gli esperimenti condotti su tre set di dati pubblici hanno dimostrato l'efficacia di KGLA nel migliorare la qualità delle raccomandazioni rispetto ai metodi esistenti, ottenendo un significativo incremento nella rilevanza delle raccomandazioni.