Gestione dei Profili Utente basata su LLM per Sistemi di Raccomandazione

LLM-based User Profile Management for Recommender System

February 20, 2025

Autori: Seunghwan Bang, Hwanjun Song

cs.AI

Abstract

Il rapido progresso dei Modelli Linguistici di Grande Dimensione (LLM) ha aperto nuove opportunità nei sistemi di raccomandazione, consentendo raccomandazioni zero-shot senza il tradizionale addestramento. Nonostante il loro potenziale, la maggior parte dei lavori esistenti si basa esclusivamente sulle cronologie di acquisto degli utenti, lasciando ampio margine di miglioramento attraverso l'integrazione di dati testuali generati dagli utenti, come recensioni e descrizioni di prodotti. Per colmare questa lacuna, proponiamo PURE, un innovativo framework di raccomandazione basato su LLM che costruisce e mantiene profili utente in evoluzione, estraendo e riassumendo sistematicamente le informazioni chiave dalle recensioni degli utenti. PURE è composto da tre componenti principali: un Estrattore di Recensioni per identificare le preferenze degli utenti e le caratteristiche chiave dei prodotti, un Aggiornatore di Profili per affinare e aggiornare i profili utente, e un Raccomandatore per generare suggerimenti personalizzati utilizzando il profilo più recente. Per valutare PURE, introduciamo un task di raccomandazione sequenziale continua che riflette scenari reali, aggiungendo recensioni nel tempo e aggiornando le previsioni in modo incrementale. I nostri risultati sperimentali sui dataset di Amazon dimostrano che PURE supera i metodi esistenti basati su LLM, sfruttando efficacemente le informazioni a lungo termine degli utenti e gestendo i limiti di token.

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.