レコメンダーシステムのためのLLMベースユーザープロファイル管理

LLM-based User Profile Management for Recommender System

February 20, 2025

著者: Seunghwan Bang, Hwanjun Song

cs.AI

要旨

大規模言語モデル（LLM）の急速な進展は、従来のトレーニングを必要としないゼロショット推薦を可能にすることで、推薦システムに新たな可能性を開きました。その潜在能力にもかかわらず、既存の研究の多くはユーザーの購入履歴にのみ依存しており、レビューや商品説明などのユーザー生成テキストデータを組み込むことで改善の余地が大きく残されています。このギャップを埋めるため、我々はPUREを提案します。これは、ユーザーレビューから重要な情報を体系的に抽出・要約することで、進化するユーザープロファイルを構築・維持する新しいLLMベースの推薦フレームワークです。PUREは3つのコアコンポーネントで構成されています：ユーザーの好みや商品の主要な特徴を特定するレビュー抽出器、ユーザープロファイルを洗練・更新するプロファイル更新器、最新のプロファイルを使用してパーソナライズされた推薦を生成する推薦器です。PUREを評価するため、時間の経過とともにレビューを追加し、予測を段階的に更新する現実世界のシナリオを反映した連続的逐次推薦タスクを導入しました。Amazonデータセットを用いた実験結果は、PUREが既存のLLMベースの手法を上回り、トークン制約を管理しながら長期的なユーザー情報を効果的に活用することを示しています。

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.