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
👍2
Comments (5)
Есть пару вещей, на которых я хотел бы попробовать Jev:
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.
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
Да, я именно имел в виду фиксированный набор тем/тегов.