探寻大型语言模型用于个性化本地新闻中的隐式位置
机器学习
2025-02-21 v1
摘要
新闻推荐系统会个性化首页内容以提升用户参与度，但诸如内容类型、编辑立场和地理聚焦等因素会影响推荐结果。地方报纸在不同地区之间平衡报道，但由于诸如俚语或地标等隐式位置线索，识别本地文章具有挑战性。传统方法如命名实体识别（NER）和知识图谱用于推断位置，但大型语言模型（LLM）提供了新的可能性，同时也引发了关于准确性和可解释性的担忧。本文探索LLM用于Taboola“为您首页”系统中本地文章分类，与传统技术进行比较。关键发现：（1）知识图谱增强了NER模型检测隐式位置的能力；（2）LLM在传统方法中表现更佳；（3）LLM能够在无需知识图谱集成的情况下有效识别本地内容。离线评估显示，LLM在隐式位置分类方面表现卓越，而在线A/B测试显示，本地浏览量显著增加。集成LLM基于位置的分类的可扩展管道将本地文章分布提升27%，在保留报纸品牌身份的同时提升首页个性化。
引用
@article{arxiv.2502.14660,
title = {Beyond the Surface: Uncovering Implicit Locations with LLMs for Personalized Local News},
author = {Gali Katz and Hai Sitton and Guy Gonen and Yohay Kaplan},
journal= {arXiv preprint arXiv:2502.14660},
year = {2025}
}
备注
10 pages, 2 figures, submitted to kdd