Category-based recommender systems: enhancing classical methods using Large Language Models

Abstract

Recommender systems are deeply embedded in our everyday reality, present in most of the apps and platforms we interact with and are essential operations for global enterprises. But how can smaller providers also incorporate RS into their operations? This research aims to provide guidance for mid-scale providers on implementing RS across different scenarios using a cost-aware approach. The study consists of two parts — a session-aware case and a session-based case — to cover a range of operational situations. For both scenarios, recommendation strategies are suggested based on actual operational conditions, extending the range of methods from basic and conventional to AI-enhanced, as no single method fits all contexts. The session-aware case applies association rules, clustering, and widely used memory-based approaches including collaborative filtering, content-based filtering, and their hybrid combination, to real fashion retail data. The session-based case applies methods such as association rules, Item-KNN, neural networks and an AI-enhanced method that uses LLM-generated descriptions on data from local supermarkets. Findings present that hybrid methods consistently outperform individual methods, and that category-level recommendation is more reliable and indicative than item-level recommendation when sparsity is present, and the item catalog is large and renewed very often. From an algorithmic perspective, descriptors and metadata for items can be game changers in the recommendation process, but they are often limited or unavailable because generating them is demanding. To address this gap, an LLM-enhanced model is proposed that incorporates embeddings generated with minimal human intervention and zero-shot prompting, outperforming all tested benchmarks in the session-based scenario. This study proposes an adaptive framework that guides the choice of recommendation strategy based on data availability and operational conditions, rather than algorithmic complexity alone.

Τα συστήματα προτάσεων (συστάσεων) (Recommender Systems) είναι εργαλεία που έχουν ενσωματωθεί στην καθημερινότητά μας, καθώς απαντώνται στις περισσότερες εφαρμογές και πλατφόρμες με τις οποίες αλληλοεπιδρούμε. Πώς μπορούν, όμως, οι μικρότεροι πάροχοι να ενσωματώσουν αποδοτικά τα συστήματα προτάσεων στις δραστηριότητές τους; Η παρούσα έρευνα στοχεύει να καθοδηγήσει παρόχους μεσαίου μεγέθους σχετικά με την ενσωμάτωση συστημάτων προτάσεων, με γνώμονα το κόστος υιοθέτησης και την πρακτική εφαρμογή τους. Η μελέτη αποτελείται από δύο μέρη, προκειμένου να καλύψει ένα ευρύ φάσμα επιχειρησιακών καταστάσεων: το πρώτο μέρος εξετάζει session-aware σενάρια, όπου για κάθε χρήστη είναι γνωστό το ιστορικό αλληλεπιδράσεών του καθώς και η τρέχουσα συνεδρία (session) του, ενώ το δεύτερο μέρος αφορά session-based σενάρια, όπου λαμβάνεται υπόψιν αποκλειστικά η τρέχουσα συνεδρία (session). Και για τα δύο σενάρια προτείνονται στρατηγικές υλοποίησης βάσει πραγματικών συνθηκών λειτουργίας, καλύπτοντας ένα ευρύ φάσμα μεθόδων —από βασικές και συμβατικές έως πιο περίπλοκες που συμπεριλαμβάνουν την τεχνητή νοημοσύνη— καθώς καμία μεμονωμένη μέθοδος δεν ταιριάζει σε όλα τα πλαίσια/περιβάλλοντα. Συγκεκριμένα κατά τη session-aware περίπτωση εφαρμόζονται κανόνες συσχέτισης (association rules), συσταδοποίηση (clustering) και προσεγγίσεις βασισμένες στη μνήμη (memory-based), όπως το συνεργατικό φιλτράρισμα (collaborative filtering), το φιλτράρισμα βάσει περιεχομένου (content-based filtering) και ο υβριδικός συνδυασμός τους, σε πραγματικά δεδομένα επιχειρήσεων λιανικής στον τομέα της ένδυσης. Στην περίπτωση session-based εφαρμόζονται οι τεχνικές των κανόνων συσχέτισης, Item-KNN, νευρωνικά δίκτυα και μια μέθοδο ενισχυμένη με τεχνητή νοημοσύνη (AI) που χρησιμοποιεί περιγραφές παραγόμενες από μεγάλα γλωσσικά μοντέλα (LLMs), σε δεδομένα από σούπερ μάρκετ. Τα ευρήματα υποδεικνύουν ότι οι υβριδικές μέθοδοι υπερέχουν σταθερά των μεμονωμένων μεθόδων και ότι οι συστάσεις σε επίπεδο κατηγοριών (category-level recommendations) είναι πιο αξιόπιστες και ενδεικτικές από τις συστάσεις σε επίπεδο προϊόντος (item-level) σε συνθήκες αραιότητας δεδομένων (sparsity), καθώς και όταν ο κατάλογος προϊόντων είναι μεγάλος ή/και ανανεώνεται πολύ συχνά. Υπό αλγοριθμική σκοπιά, οι περιγραφές και τα μεταδεδομένα των προϊόντων μπορούν να επιτρέψουν τη χρήση εξειδικευμένων αλγορίθμων για τη σύσταση αντικειμένων, ωστόσο είναι συχνά περιορισμένα ή μη διαθέσιμα, καθώς η παραγωγή τους είναι απαιτητική. Για την αντιμετώπιση αυτού του κενού, προτείνεται ένα ενισχυμένο με LLM μοντέλο, το οποίο ενσωματώνει διανύσματα αναπαράστασης (embeddings) που παράγονται με ελάχιστη ανθρώπινη παρέμβαση και zero-shot prompting, υπερέχοντας όλων των αξιολογημένων σημείων αναφοράς (benchmarks) στο session-based σενάριο. Η παρούσα μελέτη προτείνει ένα πλαίσιο που προσαρμόζεται σε συνθήκες λειτουργίας ενός συστήματος, καθοδηγώντας την επιλογή της στρατηγικής σύστασης με βάση τη διαθεσιμότητα των δεδομένων και το επιχειρησιακό πλαίσιο, και όχι αποκλειστικά με βάση την αλγοριθμική πολυπλοκότητα.