Gerenciamento de Perfil de Usuário Baseado em LLM para Sistemas de Recomendação

LLM-based User Profile Management for Recommender System

February 20, 2025

Autores: Seunghwan Bang, Hwanjun Song

cs.AI

Resumo

O rápido avanço dos Modelos de Linguagem de Grande Escala (LLMs) abriu novas oportunidades em sistemas de recomendação, permitindo recomendações zero-shot sem o treinamento convencional. Apesar de seu potencial, a maioria dos trabalhos existentes depende exclusivamente do histórico de compras dos usuários, deixando espaço significativo para melhorias ao incorporar dados textuais gerados pelos usuários, como avaliações e descrições de produtos. Para abordar essa lacuna, propomos o PURE, uma nova estrutura de recomendação baseada em LLM que constrói e mantém perfis de usuários em evolução, extraindo e resumindo sistematicamente informações-chave das avaliações dos usuários. O PURE consiste em três componentes principais: um Extrator de Avaliações para identificar preferências dos usuários e características-chave dos produtos, um Atualizador de Perfil para refinar e atualizar os perfis dos usuários, e um Recomendador para gerar recomendações personalizadas usando o perfil mais atual. Para avaliar o PURE, introduzimos uma tarefa de recomendação sequencial contínua que reflete cenários do mundo real, adicionando avaliações ao longo do tempo e atualizando as previsões de forma incremental. Nossos resultados experimentais em conjuntos de dados da Amazon demonstram que o PURE supera os métodos existentes baseados em LLM, aproveitando efetivamente informações de longo prazo dos usuários enquanto gerencia as limitações de tokens.

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.