Управление пользовательскими профилями на основе языковых моделей для рекомендательных систем

LLM-based User Profile Management for Recommender System

February 20, 2025

Авторы: Seunghwan Bang, Hwanjun Song

cs.AI

Аннотация

Быстрое развитие крупных языковых моделей (LLM) открыло новые возможности в системах рекомендаций, позволяя осуществлять рекомендации без предварительного обучения (zero-shot). Несмотря на их потенциал, большинство существующих работ полагаются исключительно на историю покупок пользователей, оставляя значительный простор для улучшений за счет включения текстовых данных, создаваемых пользователями, таких как отзывы и описания продуктов. Для устранения этого пробела мы предлагаем PURE — новую рекомендационную систему на основе LLM, которая создает и поддерживает развивающиеся профили пользователей, систематически извлекая и обобщая ключевую информацию из их отзывов. PURE состоит из трех основных компонентов: извлекателя отзывов для выявления предпочтений пользователей и ключевых характеристик продуктов, обновлятеля профилей для уточнения и актуализации профилей пользователей и рекомендательной системы для генерации персонализированных рекомендаций с использованием актуального профиля. Для оценки PURE мы вводим задачу непрерывной последовательной рекомендации, которая отражает реальные сценарии, добавляя отзывы с течением времени и обновляя прогнозы постепенно. Наши экспериментальные результаты на наборах данных Amazon демонстрируют, что PURE превосходит существующие методы на основе LLM, эффективно используя долгосрочную информацию о пользователях, одновременно справляясь с ограничениями на количество токенов.

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.