LLMRec

Le problème de la rareté des données est depuis longtemps un défi pour les systèmes de recommandation, et des études antérieures ont tenté de résoudre ce problème en intégrant des informations complémentaires. Cependant, cette approche introduit souvent des effets secondaires tels que le bruit, des problèmes de disponibilité et une faible qualité des données, ce qui entrave la modélisation précise des préférences des utilisateurs et impacte négativement la performance des recommandations. À la lumière des récents progrès réalisés dans les grands modèles de langage (LLMs), qui possèdent d'importantes bases de connaissances et de fortes capacités de raisonnement, nous proposons un cadre novateur appelé LLMRec qui améliore les systèmes de recommandation en utilisant trois stratégies d'augmentation de graphe basées sur LLM, simples mais efficaces. Notre approche exploite le contenu riche disponible sur les plateformes en ligne (par exemple, Netflix, MovieLens) pour augmenter le graphe d'interaction de trois manières : (i) renforcement de l'interaction utilisateur-article, (ii) amélioration de la compréhension des attributs des nœuds d'article et (iii) réalisation d'un profilage des nœuds utilisateur, de manière intuitive depuis la perspective du langage naturel. En appliquant ces stratégies, nous répondons aux défis posés par le retour implicite rare et la faible qualité des informations complémentaires dans les systèmes de recommandation.