Repensando Recomendações Baseadas em LLM: Uma Integração Paralela Personalizada e Guiada por Consulta

Estudos recentes exploraram a integração de grandes modelos de linguagem (LLMs) em sistemas de recomendação, mas enfrentam diversos desafios, incluindo viés induzido pelo treinamento e gargalos devido à arquitetura serializada. Para abordar efetivamente essas questões, propomos o Query-to-Recommendation, uma estrutura paralela de recomendação que desacopla os LLMs da pré-seleção de candidatos e, em vez disso, permite a recuperação direta sobre todo o conjunto de itens. Nossa estrutura conecta os LLMs e os modelos de recomendação de forma paralela, permitindo que cada componente utilize independentemente seus pontos fortes sem interferir no outro. Nesse framework, os LLMs são utilizados para gerar descrições de itens enriquecidas com características e consultas personalizadas dos usuários, permitindo capturar preferências diversas e possibilitando um rico pareamento semântico de maneira zero-shot. Para combinar efetivamente as forças complementares dos sinais colaborativos e dos LLMs, introduzimos uma estratégia adaptativa de reranking. Experimentos extensivos demonstram uma melhoria de desempenho de até 57%, além de aumentar a novidade e a diversidade das recomendações.