Využití LLM pro porozumění diverzitě v doporučovacích systémech

• Název práce v češtině: Využití LLM pro porozumění diverzitě v doporučovacích systémech
• Název v anglickém jazyce: Leveraging LLMs for diversity understanding in recommender systems
• Klíčová slova: recommender systems|diversity|llm
• Klíčová slova anglicky: recommender systems|diversity|llm
• Akademický rok vypsání: 2024/2025
• Typ práce: diplomová práce
• Ústav: Katedra softwarového inženýrství (32-KSI)
• Vedoucí / školitel: Mgr. Ladislav Peška, Ph.D.
• Řešitel: skrytý - zadáno vedoucím/školitelem, čeká na schválení garantem
• Datum přihlášení: 06.05.2025
• Datum zadání: 07.05.2025

Zásady pro vypracování

Řešitel nejprve získá přehled v oblasti doporučovacích systémů, zaměří se především na problematikou
diverzity a využití velkých jazykových modelů (LLM) v této oblasti. Na základě prostudované literatury provede analýzu, zda jsou LLM schopny vnímat diverzitu podobně jako uživatelé. Tato analýza bude vycházet z existujících dat publikovaných součsně s [1]. V další fázi řešitel navrhne a implementuje doporučovací metodu/metody které využijí LLM ke generování diverse doporučení a danou metodu/metody porovná s existujícími přístupy pomocí uživatelské studie.

Seznam odborné literatury

[1 ]Patrik Dokoupil, Ludovico Boratto, and Ladislav Peska. 2024. User Perceptions of Diversity in Recommender Systems. In Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization (UMAP '24). Association for Computing Machinery, New York, NY, USA, 212–222. https://doi.org/10.1145/3627043.3659555
[2] Jianghao Lin, Xinyi Dai, Yunjia Xi, Weiwen Liu, Bo Chen, Hao Zhang, Yong Liu, Chuhan Wu, Xiangyang Li, Chenxu Zhu, Huifeng Guo, Yong Yu, Ruiming Tang, and Weinan Zhang. 2024. How Can Recommender Systems Benefit from Large Language Models: A Survey. ACM Trans. Inf. Syst. Just Accepted (July 2024). https://doi.org/10.1145/3678004
[3] Martijn C. Willemsen, Mark P. Graus, and Bart P. Knijnenburg. 2016. Understanding the role of latent feature diversification on choice difficulty and satisfaction. User Modeling and User-Adapted Interaction 26, 4 (October 2016), 347–389. https://doi.org/10.1007/s11257-016-9178-6
[4] Harald Steck: Embarrassingly Shallow Autoencoders for Sparse Data (2019)
[5] Yunfan Gao, Tao Sheng, Youlin Xiang, Yun Xiong, Haofen Wang, Jiawei Zhang: Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System (2023)
[6] Mathias Jesse, Christine Bauer, and Dietmar Jannach. 2022. Intra-list similarity and human diversity perceptions of recommendations: the details matter. User Modeling and User-Adapted Interaction 33, 4 (Sep 2023)