Back to Timeline
Avatar
Tigra
(updated )

Поэвалюэйтил decision models — Jev и его открытых последователей — на задаче search intent recognition, на синтетическом датасете воображаемого e-commerce сайта по продаже мебели. #ml
https://github.com/tigra/decision-model-search-intent/blob/main/README.md

decision-model-search-intent/README.md at main · tigra/decision-model-searc…
Parsing furniture search queries into category, filters and residual words with one decision-model request: accuracy, la…
GitHub•GITHUB.COM
Comments (5)

Есть пару вещей, на которых я хотел бы попробовать Jev:

  1. В поисковике классифицировать посты и по лайкам (комментам, собственным постам) определять темы, которые человеку интересны.
  2. Настройка и фильтрация лент по темам.
  3. Различение позитивных и негативных комментариев — опять же, для лучших рекомендаций.

Я тоже подумал об 1. Но прежде, чем скормить пост Jev, нужно сформулировать к нему вопросы. Это отдельная интересная задача. В принципе, есть идеи, как это сделать, не без помощи LLM / агентов, но задача, скажем так, открытая, это можно сделать бесконечным количеством способов.

Как только есть набор вопросов, получаем набор фич (в том числе числовых) для каждого поста и можно их кластеризовать, обучать на этом наборе фич рекоммендер.

Сентимент постов/комментов определять — очевидная прямолинейная задача.

Avatar Tigra (updated )

Вопрос в том, лучше ли будут полуручным способом сынжинеренные и подсчитанные с помощью Jev фичи, чем фичи из эмбеддинга текста поста, для обучения рекоммендера.

А вот авто-таггинг точно можно сделать. Берешь 64 тега, которые использует юзер или популярных глобальных, делаешь 64 вопроса "а нужно ли тут поставить такой тег", по threshold отрезаешь и предлагаешь проставить такие теги.

Задача "определи главную тему данного поста" не классификационная, а генеративная