LettinGo: Esplorazione della Generazione di Profili Utente per Sistemi di Raccomandazione

LettinGo: Explore User Profile Generation for Recommendation System

June 23, 2025

Autori: 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

Abstract

La profilazione degli utenti è fondamentale per i sistemi di raccomandazione, poiché trasforma i dati grezzi delle interazioni degli utenti in rappresentazioni concise e strutturate che guidano raccomandazioni personalizzate. Mentre i profili tradizionali basati su embedding mancano di interpretabilità e adattabilità, i recenti progressi nei grandi modelli linguistici (LLM) consentono la creazione di profili testuali semanticamente più ricchi e trasparenti. Tuttavia, i metodi esistenti spesso aderiscono a formati fissi che limitano la loro capacità di catturare la piena diversità dei comportamenti degli utenti. In questo articolo, introduciamo LettinGo, un nuovo framework per la generazione di profili utente diversificati e adattivi. Sfruttando il potere espressivo degli LLM e incorporando feedback diretto dai task di raccomandazione downstream, il nostro approccio evita i vincoli rigidi imposti dal fine-tuning supervisionato (SFT). Invece, utilizziamo l'ottimizzazione diretta delle preferenze (DPO) per allineare il generatore di profili alle prestazioni specifiche del task, garantendo che i profili rimangano adattivi ed efficaci. LettinGo opera in tre fasi: (1) esplorazione di profili utente diversificati tramite più LLM, (2) valutazione della qualità dei profili in base al loro impatto nei sistemi di raccomandazione, e (3) allineamento della generazione dei profili attraverso dati di preferenza a coppie derivati dalle prestazioni del task. I risultati sperimentali dimostrano che il nostro framework migliora significativamente l'accuratezza, la flessibilità e la consapevolezza contestuale delle raccomandazioni. Questo lavoro valorizza la generazione di profili come un'innovazione chiave per i sistemi di raccomandazione di prossima generazione.

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.