Les tentatives récentes d'intégration des grands modèles de langage dans les systèmes de recommandation ont gagné en popularité, mais la plupart se limitent à de la génération de texte simple ou à des inférences basées sur des prompts statiques, échouant ainsi à capturer la complexité des préférences utilisateur et des interactions du monde réel. Cette étude propose MADREC, un agent de recommandation autonome basé sur les LLMs qui construit des profils utilisateur et article via l'extraction non supervisée d'informations multi-aspects à partir des avis, et qui effectue des recommandations directes, des recommandations séquentielles et de la génération d'explications.
MADREC génère des profils structurés via une synthèse basée sur des catégories d'aspects et applique un reclassement pour construire des entrées à haute densité. Lorsque l'article de référence est absent de la sortie, le mécanisme d'auto-feedback ajuste dynamiquement les critères d'inférence. Les expériences menées dans plusieurs domaines montrent que MADREC surpasse les approches traditionnelles et basées sur les LLMs à la fois en précision et en explicabilité.
L'évaluation humaine confirme en outre la persuasivité des explications générées, validant l'efficacité de cette approche multi-aspects pour améliorer la transparence et l'adaptabilité des systèmes de recommandation. Cette recherche représente une avancée significative vers des agents de recommandation plus intelligents et explicables capables de s'adapter aux préférences utilisateur complexes.