LettinGo: Exploración de la Generación de Perfiles de Usuario para Sistemas de Recomendación

LettinGo: Explore User Profile Generation for Recommendation System

June 23, 2025

Autores: Lu Wang, Di Zhang, Fangkai Yang, Pu Zhao, Jianfeng Liu, Yuefeng Zhan, Hao Sun, Qingwei Lin, Weiwei Deng, Dongmei Zhang, Feng Sun, Qi Zhang

cs.AI

Resumen

La creación de perfiles de usuarios es fundamental para los sistemas de recomendación, ya que transforma los datos brutos de interacción del usuario en representaciones concisas y estructuradas que impulsan recomendaciones personalizadas. Si bien los perfiles tradicionales basados en embeddings carecen de interpretabilidad y adaptabilidad, los avances recientes con modelos de lenguaje de gran escala (LLMs) permiten perfiles basados en texto que son semánticamente más ricos y transparentes. Sin embargo, los métodos existentes suelen adherirse a formatos fijos que limitan su capacidad para capturar la diversidad completa de los comportamientos de los usuarios. En este artículo, presentamos LettinGo, un marco novedoso para generar perfiles de usuarios diversos y adaptativos. Al aprovechar el poder expresivo de los LLMs e incorporar retroalimentación directa de las tareas de recomendación posteriores, nuestro enfoque evita las restricciones rígidas impuestas por el ajuste fino supervisado (SFT). En su lugar, empleamos la Optimización Directa de Preferencias (DPO) para alinear el generador de perfiles con el rendimiento específico de la tarea, asegurando que los perfiles permanezcan adaptativos y efectivos. LettinGo opera en tres etapas: (1) exploración de perfiles de usuarios diversos mediante múltiples LLMs, (2) evaluación de la calidad de los perfiles basada en su impacto en los sistemas de recomendación, y (3) alineación de la generación de perfiles a través de datos de preferencias por pares derivados del rendimiento de la tarea. Los resultados experimentales demuestran que nuestro marco mejora significativamente la precisión, flexibilidad y conciencia contextual de las recomendaciones. Este trabajo mejora la generación de perfiles como una innovación clave para los sistemas de recomendación de próxima generación.

English

User profiling is pivotal for recommendation systems, as it transforms raw user interaction data into concise and structured representations that drive personalized recommendations. While traditional embedding-based profiles lack interpretability and adaptability, recent advances with large language models (LLMs) enable text-based profiles that are semantically richer and more transparent. However, existing methods often adhere to fixed formats that limit their ability to capture the full diversity of user behaviors. In this paper, we introduce LettinGo, a novel framework for generating diverse and adaptive user profiles. By leveraging the expressive power of LLMs and incorporating direct feedback from downstream recommendation tasks, our approach avoids the rigid constraints imposed by supervised fine-tuning (SFT). Instead, we employ Direct Preference Optimization (DPO) to align the profile generator with task-specific performance, ensuring that the profiles remain adaptive and effective. LettinGo operates in three stages: (1) exploring diverse user profiles via multiple LLMs, (2) evaluating profile quality based on their impact in recommendation systems, and (3) aligning the profile generation through pairwise preference data derived from task performance. Experimental results demonstrate that our framework significantly enhances recommendation accuracy, flexibility, and contextual awareness. This work enhances profile generation as a key innovation for next-generation recommendation systems.