LettinGo : Exploration de la génération de profils utilisateurs pour les systèmes de recommandation

LettinGo: Explore User Profile Generation for Recommendation System

June 23, 2025

Auteurs: 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

Résumé

Le profilage des utilisateurs est essentiel pour les systèmes de recommandation, car il transforme les données brutes d'interaction utilisateur en représentations concises et structurées qui alimentent les recommandations personnalisées. Alors que les profils traditionnels basés sur des embeddings manquent d'interprétabilité et d'adaptabilité, les récentes avancées des grands modèles de langage (LLMs) permettent des profils textuels plus riches sémantiquement et plus transparents. Cependant, les méthodes existantes adhèrent souvent à des formats fixes qui limitent leur capacité à capturer toute la diversité des comportements des utilisateurs. Dans cet article, nous présentons LettinGo, un nouveau cadre pour générer des profils utilisateurs diversifiés et adaptatifs. En exploitant la puissance expressive des LLMs et en intégrant des retours directs des tâches de recommandation en aval, notre approche évite les contraintes rigides imposées par le fine-tuning supervisé (SFT). À la place, nous utilisons l'Optimisation Directe des Préférences (DPO) pour aligner le générateur de profils sur la performance spécifique à la tâche, garantissant que les profils restent adaptatifs et efficaces. LettinGo fonctionne en trois étapes : (1) explorer des profils utilisateurs diversifiés via plusieurs LLMs, (2) évaluer la qualité des profils en fonction de leur impact dans les systèmes de recommandation, et (3) aligner la génération de profils grâce à des données de préférences par paires dérivées de la performance des tâches. Les résultats expérimentaux montrent que notre cadre améliore significativement la précision, la flexibilité et la conscience contextuelle des recommandations. Ce travail renouvelle la génération de profils en tant qu'innovation clé pour les systèmes de recommandation de nouvelle génération.

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.