Raciocínio Personalizado Orientado por Revisões com Grandes Modelos de Linguagem para Recomendação

Avanços recentes em Grandes Modelos de Linguagem (LLMs) demonstraram desempenho excepcional em uma ampla gama de tarefas, gerando interesse significativo em sua aplicação a sistemas de recomendação. No entanto, os métodos existentes não aproveitaram totalmente o potencial dos LLMs, muitas vezes limitados por informações de entrada restritas ou falhando em utilizar plenamente suas avançadas capacidades de raciocínio. Para abordar essas limitações, apresentamos o EXP3RT, um recomendador baseado em LLM projetado para aproveitar as ricas informações de preferência contidas em revisões de usuários e itens. O EXP3RT é basicamente ajustado por meio de destilação de um LLM professor para realizar três tarefas-chave na ordem: o EXP3RT primeiro extrai e encapsula preferências subjetivas essenciais a partir de revisões brutas, agrega e resume-as de acordo com critérios específicos para criar perfis de usuários e itens. Em seguida, gera um raciocínio detalhado passo a passo seguido pela previsão de avaliação, ou seja, previsão de avaliação aprimorada por raciocínio, considerando tanto informações subjetivas quanto objetivas dos perfis de usuário/item e descrições de itens. Esse raciocínio de preferência personalizado do EXP3RT melhora a precisão da previsão de avaliação e também fornece explicações fiéis e razoáveis para a recomendação. Experimentos extensivos mostram que o EXP3RT supera os métodos existentes tanto na previsão de avaliações quanto na reclassificação de itens candidatos para recomendação top-k, ao mesmo tempo, ampliando significativamente a explicabilidade dos sistemas de recomendação.