LLMRec

Il problema della scarsità di dati è da tempo una sfida nei sistemi di raccomandazione, e studi precedenti hanno tentato di affrontare questo problema incorporando informazioni aggiuntive. Tuttavia, questo approccio spesso introduce effetti collaterali come rumore, problemi di disponibilità e bassa qualità dei dati, che a loro volta ostacolano la modellazione accurata delle preferenze degli utenti e influenzano negativamente le prestazioni delle raccomandazioni. Alla luce dei recenti progressi nei grandi modelli di linguaggio (LLMs), che possiedono ampie basi di conoscenza e forti capacità di ragionamento, proponiamo un nuovo framework chiamato LLMRec che migliora i sistemi di raccomandazione utilizzando tre semplici ma efficaci strategie di aumento di grafo basate su LLM. Il nostro approccio sfrutta i contenuti ricchi disponibili sulle piattaforme online (ad esempio, Netflix, MovieLens) per aumentare il grafo di interazione in tre modi: (i) rafforzando l'interazione utente-articolo, (ii) migliorando la comprensione delle caratteristiche dei nodi articolo e (iii) conducendo un profiling dei nodi utente, intuitivamente dalla prospettiva del linguaggio naturale. Applicando queste strategie, affrontiamo le sfide poste dal feedback implicito scarso e dalle informazioni aggiuntive di bassa qualità nei raccomandatori.