LettinGo: Explorando a Geração de Perfis de Usuários para Sistemas de Recomendação

LettinGo: Explore User Profile Generation for Recommendation System

June 23, 2025

Autores: 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

Resumo

A criação de perfis de usuários é fundamental para sistemas de recomendação, pois transforma dados brutos de interação do usuário em representações concisas e estruturadas que impulsionam recomendações personalizadas. Embora os perfis tradicionais baseados em embeddings careçam de interpretabilidade e adaptabilidade, avanços recentes com modelos de linguagem de grande escala (LLMs) permitem perfis baseados em texto que são semanticamente mais ricos e transparentes. No entanto, métodos existentes frequentemente aderem a formatos fixos que limitam sua capacidade de capturar a diversidade completa dos comportamentos do usuário. Neste artigo, apresentamos o LettinGo, uma nova estrutura para gerar perfis de usuários diversos e adaptativos. Ao aproveitar o poder expressivo dos LLMs e incorporar feedback direto de tarefas de recomendação subsequentes, nossa abordagem evita as restrições rígidas impostas pelo ajuste fino supervisionado (SFT). Em vez disso, empregamos a Otimização de Preferência Direta (DPO) para alinhar o gerador de perfis com o desempenho específico da tarefa, garantindo que os perfis permaneçam adaptativos e eficazes. O LettinGo opera em três etapas: (1) explorando diversos perfis de usuários por meio de múltiplos LLMs, (2) avaliando a qualidade dos perfis com base em seu impacto nos sistemas de recomendação e (3) alinhando a geração de perfis por meio de dados de preferência pareados derivados do desempenho da tarefa. Resultados experimentais demonstram que nossa estrutura melhora significativamente a precisão, flexibilidade e consciência contextual das recomendações. Este trabalho aprimora a geração de perfis como uma inovação chave para os sistemas de recomendação de próxima geração.

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.