LLM-gebaseerd gebruikersprofielbeheer voor aanbevelingssystemen

LLM-based User Profile Management for Recommender System

February 20, 2025

Auteurs: Seunghwan Bang, Hwanjun Song

cs.AI

Samenvatting

De snelle vooruitgang van Large Language Models (LLM's) heeft nieuwe mogelijkheden geopend in aanbevelingssystemen door zero-shot aanbevelingen mogelijk te maken zonder conventionele training. Ondanks hun potentieel vertrouwen de meeste bestaande werken uitsluitend op de aankoopgeschiedenis van gebruikers, waardoor er aanzienlijke ruimte voor verbetering overblijft door het integreren van door gebruikers gegenereerde tekstuele gegevens, zoals recensies en productbeschrijvingen. Om deze kloof te overbruggen, stellen we PURE voor, een nieuw LLM-gebaseerd aanbevelingsframework dat evoluerende gebruikersprofielen opbouwt en onderhoudt door systematisch sleutelinformatie uit gebruikersrecensies te extraheren en samen te vatten. PURE bestaat uit drie kerncomponenten: een Review Extractor voor het identificeren van gebruikersvoorkeuren en belangrijke productkenmerken, een Profile Updater voor het verfijnen en bijwerken van gebruikersprofielen, en een Recommender voor het genereren van gepersonaliseerde aanbevelingen op basis van het meest actuele profiel. Om PURE te evalueren, introduceren we een continue sequentiële aanbevelingstaak die realistische scenario's weerspiegelt door recensies in de loop van de tijd toe te voegen en voorspellingen incrementeel bij te werken. Onze experimentele resultaten op Amazon-datasets tonen aan dat PURE bestaande LLM-gebaseerde methoden overtreft, waarbij het effectief gebruik maakt van langetermijngebruikersinformatie en tegelijkertijd omgaat met tokenbeperkingen.

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.