LLMRec

El problema de la escasez de datos ha sido durante mucho tiempo un desafío en los sistemas de recomendación, y estudios anteriores han intentado abordar este problema incorporando información adicional. Sin embargo, este enfoque a menudo introduce efectos secundarios como ruido, problemas de disponibilidad y baja calidad de datos, lo que a su vez obstaculiza la modelización precisa de las preferencias de los usuarios y afecta negativamente el rendimiento de las recomendaciones. A la luz de los recientes avances en modelos de lenguaje grande (LLMs), que poseen amplias bases de conocimiento y fuertes capacidades de razonamiento, proponemos un nuevo marco llamado LLMRec que mejora los sistemas de recomendación mediante la aplicación de tres estrategias de aumento de grafo basadas en LLM simples pero efectivas. Nuestro enfoque aprovecha el rico contenido disponible en plataformas en línea (por ejemplo, Netflix, MovieLens) para aumentar el grafo de interacción de tres maneras: (i) reforzando la interacción usuario-artículo, (ii) mejorando la comprensión de los atributos de los nodos de artículo y (iii) realizando un perfilado de nodos de usuario, intuitivamente desde la perspectiva del lenguaje natural. Al emplear estas estrategias, abordamos los desafíos planteados por la retroalimentación implícita escasa y la información adicional de baja calidad en los recomendadores.