解决 Roblox 游戏推荐中的内容缺口：基于 LLM 的画像生成与重排序
信息检索
2025-02-12 v1 人工智能
计算与语言
机器学习
摘要
在 Roblox 上庞大且动态的用户生成内容中，创建有效的游戏推荐需要深入理解游戏内容。传统的推荐模型在面对游戏文本特征（如标题和描述）的不一致性和稀疏性时难以奏效。近期大语言模型（LLM）的突破为通过分析游戏文本数据来提升推荐系统提供了机会。本文针对两个挑战：生成无需大量人工标注的高质量结构化文本特征，以及验证这些特征以确保提升推荐相关性。我们提出的方法从游戏中提取文本，并利用 LLM 从玩家交互数据中推断游戏类型和游戏play objective等属性。此外，我们引入基于 LLM 的重排序机制来评估生成文本特征的效果，从而增强个性化和用户满意度。除了推荐应用外，我们的方法还支持基于用户参与度的完整性检测应用，已在生产环境中部署。该可扩展框架展示了游戏文本理解在提升 Roblox 推荐质量方面的潜力，以及如何适应其独特的用户生成生态系统。
引用
@article{arxiv.2502.06802,
title = {Solving the Content Gap in Roblox Game Recommendations: LLM-Based Profile Generation and Reranking},
author = {Chen Wang and Xiaokai Wei and Yexi Jiang and Frank Ong and Kevin Gao and Xiao Yu and Zheng Hui and Se-eun Yoon and Philip Yu and Michelle Gong},
journal= {arXiv preprint arXiv:2502.06802},
year = {2025}
}