Gestión de Perfiles de Usuario Basada en Modelos de Lenguaje de Gran Escala para Sistemas de Recomendación

LLM-based User Profile Management for Recommender System

February 20, 2025

Autores: Seunghwan Bang, Hwanjun Song

cs.AI

Resumen

El rápido avance de los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) ha abierto nuevas oportunidades en los sistemas de recomendación al permitir recomendaciones zero-shot sin entrenamiento convencional. A pesar de su potencial, la mayoría de los trabajos existentes se basan únicamente en los historiales de compra de los usuarios, dejando un margen significativo de mejora al incorporar datos textuales generados por los usuarios, como reseñas y descripciones de productos. Para abordar esta brecha, proponemos PURE, un novedoso marco de recomendación basado en LLMs que construye y mantiene perfiles de usuario en evolución al extraer y resumir sistemáticamente información clave de las reseñas de los usuarios. PURE consta de tres componentes principales: un Extractor de Reseñas para identificar las preferencias del usuario y las características clave del producto, un Actualizador de Perfiles para refinar y actualizar los perfiles de usuario, y un Recomendador para generar recomendaciones personalizadas utilizando el perfil más actualizado. Para evaluar PURE, introducimos una tarea de recomendación secuencial continua que refleja escenarios del mundo real al agregar reseñas a lo largo del tiempo y actualizar las predicciones de manera incremental. Nuestros resultados experimentales en conjuntos de datos de Amazon demuestran que PURE supera a los métodos basados en LLMs existentes, aprovechando eficazmente la información a largo plazo de los usuarios mientras gestiona las limitaciones de tokens.

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.