LettinGo: レコメンデーションシステムのためのユーザープロファイル生成の探求
LettinGo: Explore User Profile Generation for Recommendation System
June 23, 2025
著者: 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
要旨
ユーザープロファイリングは、レコメンデーションシステムにおいて極めて重要であり、生のユーザーインタラクションデータを簡潔で構造化された表現に変換し、パーソナライズされたレコメンデーションを実現します。従来の埋め込みベースのプロファイルは解釈可能性と適応性に欠けていましたが、大規模言語モデル（LLM）の最近の進展により、意味的に豊かで透明性の高いテキストベースのプロファイルが可能になりました。しかし、既存の手法は固定された形式に縛られることが多く、ユーザー行動の多様性を十分に捉えることができません。本論文では、多様で適応的なユーザープロファイルを生成する新しいフレームワークであるLettinGoを紹介します。LLMの表現力を活用し、下流のレコメンデーションタスクからの直接的なフィードバックを取り入れることで、教師ありファインチューニング（SFT）が課す厳格な制約を回避します。代わりに、Direct Preference Optimization（DPO）を用いてプロファイル生成器をタスク固有のパフォーマンスに適合させ、プロファイルが適応的かつ効果的であることを保証します。LettinGoは3つの段階で動作します：（1）複数のLLMを用いて多様なユーザープロファイルを探索、（2）レコメンデーションシステムにおける影響に基づいてプロファイルの品質を評価、（3）タスクパフォーマンスから得られたペアワイズ選好データを用いてプロファイル生成を適合させます。実験結果は、本フレームワークがレコメンデーションの精度、柔軟性、文脈認識を大幅に向上させることを示しています。この研究は、次世代レコメンデーションシステムにおける重要な革新として、プロファイル生成を強化するものです。
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.