利用基于多模态大语言模型的混合专家架构增强医疗推荐系统
信息检索
2024-12-17 v1 数据库
摘要
随着多模态数据的日益普及，许多领域迫切需要能够有效整合这些多样化数据源以解决特定问题的高级架构。本研究提出了一种混合推荐模型，该模型将混合专家（MOE）框架与大语言模型相结合，以提升医疗领域推荐系统的性能。我们构建了一个小型数据集，用于根据患者描述推荐健康食品，并在几个关键指标（包括Precision、Recall、NDCG和MAP@5）上评估了模型的性能。实验结果表明，混合模型在准确性和个性化推荐效果方面均优于单独使用MOE或大语言模型的基线模型。论文发现，图像数据对个性化推荐系统性能的提升相对有限，尤其是在解决冷启动问题方面。此外，图像的重新分类问题也影响了推荐结果，特别是在处理低质量图像或物品外观变化时，导致性能欠佳。这些发现为开发强大、可扩展且高性能的推荐系统提供了宝贵见解，推动了个性化推荐技术在医疗等实际领域的应用。
引用
@article{arxiv.2412.11557,
title = {Enhancing Healthcare Recommendation Systems with a Multimodal LLMs-based MOE Architecture},
author = {Jingyu Xu and Yang Wang},
journal= {arXiv preprint arXiv:2412.11557},
year = {2024}
}
备注
10 page, accpted by Conf-SMPL conference