Leveraging LLMs for Conversational Movie Recommendations

Abstract

Doporučovací systémy nabývají na důležitosti při vedení našich rozhodnutí. Jednou z rozšířených metod je doporučení na základě implicitní zpětné vazby, která funguje tak, že využívá data o interakcích, jako jsou zobrazení nebo historie nákupů, k odvození uživa- telských preferencí. Tento přístup však čelí omezením, jako je závislost na dostatečných historických datech, nedostatek transparentnosti a neschopnost zohlednit uživatelské po- žadavky na konkrétní kontextové informace. K řešení těchto výzev nabízí integrace vel- kých jazykových modelů (LLM) do konverzačních doporučovacích systémů slibný pokrok. Vytvořili jsme systém, který kombinuje tradiční doporučovací algoritmy s LLM, a vyu- žívá tak předností obou přístupů. Také jsme ukázali, že kontextový výkon tradičních doporučovacích algoritmů lze zlepšit jejich integrací s LLM.

Recommender systems are becoming increasingly important in guiding our choices. One prevalent method, recommendation based on implicit feedback, operates by using interaction data, such as views or purchase history, to infer user preferences. However, it faces limitations, such as its dependence on sufficient historical data, lack of trans- parency, and inability to accommodate users' requests for specific contextual informa- tion. To address these challenges, the integration of large language models (LLMs) into conversational recommender systems offers a promising advancement. We have built our own system by combining conventional recommender algorithms with LLMs to combine the strengths of both approaches. We have also shown that the contextual performance of traditional recommender algorithms can be improved by integrating them together with LLMs.