Gestion de profils utilisateurs basée sur LLM pour les systèmes de recommandation

LLM-based User Profile Management for Recommender System

February 20, 2025

Auteurs: Seunghwan Bang, Hwanjun Song

cs.AI

Résumé

L'avancée rapide des modèles de langage de grande taille (LLMs) a ouvert de nouvelles opportunités dans les systèmes de recommandation en permettant des recommandations zero-shot sans entraînement conventionnel. Malgré leur potentiel, la plupart des travaux existants s'appuient uniquement sur les historiques d'achats des utilisateurs, laissant une marge d'amélioration significative en intégrant des données textuelles générées par les utilisateurs, telles que les avis et les descriptions de produits. Pour combler cette lacune, nous proposons PURE, un nouveau cadre de recommandation basé sur les LLMs qui construit et maintient des profils d'utilisateurs évolutifs en extrayant et en résumant systématiquement les informations clés des avis des utilisateurs. PURE se compose de trois éléments principaux : un Extracteur d'Avis pour identifier les préférences des utilisateurs et les caractéristiques clés des produits, un Mise à Jour de Profil pour affiner et mettre à jour les profils des utilisateurs, et un Recommandeur pour générer des recommandations personnalisées en utilisant le profil le plus récent. Pour évaluer PURE, nous introduisons une tâche de recommandation séquentielle continue qui reflète des scénarios réels en ajoutant des avis au fil du temps et en mettant à jour les prédictions de manière incrémentale. Nos résultats expérimentaux sur les ensembles de données d'Amazon montrent que PURE surpasse les méthodes existantes basées sur les LLMs, exploitant efficacement les informations à long terme des utilisateurs tout en gérant les limitations 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.