基于 LLM 的推荐系统用户档案管理-计算机科学-大语言模型-推荐系统-个性化.pdfVIP

基于LLM的推荐系统用户档案管理⋆

SeunghwanBang,HwanjunSong12,∗

1UlsanNationalInstituteofScienceandTechnology(UNIST),50UNIST-gil,Eonyang-eup,Ulju-gun,Ulsan,44919,RepublicofKorea

2KoreaAdvancedInstituteofScienceandTechnology(KAIST),291Daehak-ro,Yuseong-gu,Daejeon,34141,RepublicofKorea

Abstract

大型语言模型（LLMs）的快速发展通过实现无需传统训练的推荐开启了在推荐系统中的新机会。尽管它们具有潜力，许多现

有的工作仅依赖于用户的购买历史记录，而将用户生成的文本数据（如评论和产品描述）纳入其中仍有很大的改进空间。为了

解决这一差距，我们提出了PURE，一种基于LLM的新颖推荐框架，通过系统地提取和总结用户评论中的关键信息来构建和

维护不断演进的用户画像。PURE由三个核心组件组成：一个用于识别用户偏好和关键产品特征的评论提取器，一个用于细化

和更新用户画像的档案更新器，以及一个使用必威体育精装版档案生成个性化推荐的推荐器。为了评估PURE，我们引入了一个连续顺序

推荐任务，通过随着时间增加评论并逐步更新预测来反映现实世界的情景。我们在Amazon数据集上的实验结果表明，PURE

优于现有的基于LLM的方法，在利用长期用户信息的同时有效管理令牌限制。

Keywords

大型语言模型（LLMs），推荐系统（RS），个性化

本1.介绍

译大型语言模型（LLMs）[1,2,3,4]的快速发展显著影响了多个领域，例如文本摘要[5]和有哪些信誉好的足球投注网站[6]。近

中期的研究利用LLMs在推荐系统中的应用，通过上下文学习[7]和检索增强生成[8]实现类似人类的

推理和外部知识整合。因此，LLMs展示出无需传统训练即可用作无训练推荐模型的潜力，这传统

2上依赖于明确的用户-项目交互和训练数据[9,10,11]。

v

1尽管大型语言模型具备先进功能，大多数近期研究[12,13,14,15,16]仅依赖用户过去的购买记

4录（即已购商品列表）。这为通过整合更多由用户生成的文本信息（例如用户评论和产品描述）进行

5进一步改进留下了显著空间，这些信息尚未得到充分利用。换句话说，由于它们无法保留和处理随

4着用户持续购物而不断增加的上下文信息，导致推荐会话时间延长，因此仍然未能完全利用各种文

1

.本数据。这个问题主要归因于省略上下文的问题，或者是由于大型语言模型记忆中的信息损失[17]，

2或者是因为令牌限制[18,19]导致的记忆容量问题。因此，从用户的文本来源中提取关键特征至关

0

5重要，正如在MemoryBank[20]框架中所示，该框架通过总结对话中的关键信息并更新用户档案来

2增强大型语言模型的长期的记忆。

:在此基础上，我们在MemoryBank中迈出第一步，将LLMs的长期记忆扩展到对话之外，并适

v

i应推荐系统不断演变的动力。我们提出了PURE，一种新的基于ProfileUpdatefor备注ommender的

x

r方法，通过整合用户的购买历史和用户生成的评论来构建用户画像，这些自然随着推荐会话的进展

a而扩展。如Figure1所示，PURE系统地从评论中提取用户的喜好、不喜欢以及关键特征，并将它们

整合到结构化且动态的用户画像中。具体来说，PURE由三个主要组件组成：评审提取器，它分析

用户评论以识别和提取用户的喜好、不喜欢及偏好产品特性（称为“关键特征”），提供一个全面的

用户兴趣和购买驱动属性视图；“配置更新器”，它通过消除冗