LLM-basiertes Benutzerprofilmanagement für Empfehlungssysteme

LLM-based User Profile Management for Recommender System

February 20, 2025

Autoren: Seunghwan Bang, Hwanjun Song

cs.AI

Zusammenfassung

Die rasante Weiterentwicklung von Large Language Models (LLMs) hat neue Möglichkeiten in Empfehlungssystemen eröffnet, indem sie Zero-Shot-Empfehlungen ohne konventionelles Training ermöglichen. Trotz ihres Potenzials stützen sich die meisten bestehenden Arbeiten ausschließlich auf die Kaufhistorie der Nutzer, wodurch erheblicher Spielraum für Verbesserungen durch die Einbeziehung nutzergenerierter Textdaten wie Bewertungen und Produktbeschreibungen besteht. Um diese Lücke zu schließen, schlagen wir PURE vor, ein neuartiges LLM-basiertes Empfehlungsframework, das sich entwickelnde Nutzerprofile systematisch durch die Extraktion und Zusammenfassung von Schlüsselinformationen aus Nutzerbewertungen aufbaut und pflegt. PURE besteht aus drei Kernkomponenten: einem Review Extractor zur Identifizierung von Nutzerpräferenzen und wichtigen Produktmerkmalen, einem Profile Updater zur Verfeinerung und Aktualisierung der Nutzerprofile und einem Recommender zur Generierung personalisierter Empfehlungen unter Verwendung des aktuellsten Profils. Um PURE zu evaluieren, führen wir eine kontinuierliche sequenzielle Empfehlungsaufgabe ein, die reale Szenarien widerspiegelt, indem Bewertungen über die Zeit hinzugefügt und Vorhersagen schrittweise aktualisiert werden. Unsere experimentellen Ergebnisse auf Amazon-Datensätzen zeigen, dass PURE bestehende LLM-basierte Methoden übertrifft und langfristige Nutzerinformationen effektiv nutzt, während es Token-Beschränkungen handhabt.

English

The rapid advancement of Large Language Models (LLMs) has opened new opportunities in recommender systems by enabling zero-shot recommendation without conventional training. Despite their potential, most existing works rely solely on users' purchase histories, leaving significant room for improvement by incorporating user-generated textual data, such as reviews and product descriptions. Addressing this gap, we propose PURE, a novel LLM-based recommendation framework that builds and maintains evolving user profiles by systematically extracting and summarizing key information from user reviews. PURE consists of three core components: a Review Extractor for identifying user preferences and key product features, a Profile Updater for refining and updating user profiles, and a Recommender for generating personalized recommendations using the most current profile. To evaluate PURE, we introduce a continuous sequential recommendation task that reflects real-world scenarios by adding reviews over time and updating predictions incrementally. Our experimental results on Amazon datasets demonstrate that PURE outperforms existing LLM-based methods, effectively leveraging long-term user information while managing token limitations.