Calibração de Sistemas de Recomendação com LLMs: Otimização de Prompts para Balancear Precisão, Diversidade e Justiça
DOI:
https://doi.org/10.5753/reic.2026.8494Keywords:
Sistemas de Recomendação, LLM, Engenharia de Prompts, Viés de PopularidadeAbstract
Sistemas de Recomendação (SsR) são essenciais em plataformas digitais, mas enfrentam problemas como o viés de popularidade, que reduz diversidade e justiça. Técnicas de calibração buscam alinhar recomendações às preferências do usuário, geralmente por pós-processamento. Com o surgimento de Modelos de Linguagem de Grande Escala (LLMs), como o Llama, a engenharia de prompts surge como alternativa para personalização. Este estudo investiga a calibração baseada em LLMs e a compara a métodos tradicionais. Também avaliamos diferentes estratégias de prompts por métricas de acurácia, diversidade e justiça. Os resultados indicam que LLMs podem melhorar simultaneamente personalização e equidade nos sistemas de recomendação.
Downloads
Referências
Abdollahpouri, H., Mansoury, M., Burke, R., Mobasher, B., and Malthouse, E. C. (2021). User-centered evaluation of popularity bias in recommender systems. In Proceedings of the 29th ACM Conference UMAP 2021, Utrecht, pages 119–129. ACM. DOI: 10.1145/3450613.3456821.
Atauchi, P. D. F., Zanon, A. L., Rocha, L. C. D. d., and Manzato, M. G. (2025). Do calibrated recommendations affect explanations? a study on post-hoc adjustments. 16:441–460. DOI: 10.5753/jis.2025.5563.
Carvalho, R. and Rocha, L. (2020). Estratégias para aprimorar a diversidade categórica e geográfica de sistemas de recomendação de pois. In Simpósio Brasileiro de Sistemas Multimídia e Web (WebMedia), pages 23–26. SBC.
da Silva, D. C., Manzato, M. G., and Durão, F. A. (2021). Exploiting personalized calibration and metrics for fairness recommendation. Expert Systems with Applications, 181:115112. DOI: 10.1016/j.eswa.2021.115112.
de Souza, R. F. and Manzato, M. G. (2024). Uma abordagem em etapa de processamento para redução do viés de popularidade. In Brazilian Symposium on Multimedia and the Web (WebMedia), pages 310–317. SBC.
Fonseca, G., Cunha, W., Prenassi, G., Gonçalves, M. A., and Rocha, L. C. D. D. (2025). Instance-selection-inspired undersampling strategies for bias reduction in small and large language models for binary text classification. In Proceedings of the 63rd ACL, pages 9323–9340. Association for Computational Linguistics.
Gao, J., Chen, B., Zhao, X., Liu, W., Li, X., Wang, Y., Wang, W., Guo, H., and Tang, R. (2025). Llm4rerank: Llm-based auto-reranking framework for recommendations. In Proceedings of the ACM on Web Conference 2025, WWW ’25, page 228–239. DOI: 10.1145/3696410.3714922.
Harper, F. M. and Konstan, J. A. (2015). The movielens datasets: History and context. ACM Trans. Interact. Intell. Syst., 5(4). DOI: 10.1145/2827872.
Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Wang, L., and Chen, W. (2021). Lora: Low-rank adaptation of large language models.
Klimashevskaia, A., Jannach, D., Elahi, M., and Trattner, C. (2024). A survey on popularity bias in recommender systems. User Modeling and User-Adapted Interaction, 34(5):1777–1834.
Lichtenberg, J. M., Buchholz, A., and Schwöbel, P. (2024). Large language models as recommender systems: A study of popularity bias. In Proceedings of the SIGIR 2024 Workshop on Generative Information Retrieval.
Liu, D., Yang, B., Du, H., Greene, D., Lawlor, A., Dong, R., and Li, I. (2023). Recprompt: A prompt tuning framework for news recommendation using large language models. CoRR.
Ortega, G. M., de Souza, R. F., and Manzato, M. G. (2024). Evaluating zero-shot large language models recommenders on popularity bias and unfairness: A comparative approach to traditional algorithms. In Simpósio Brasileiro de Sistemas Multimídia e Web (WebMedia), pages 45–48. SBC.
Prenassi, G., Souza, R. F. d., Sekido, H. Y., Fonseca, G., Manzato, M. G., and Rocha, L. C. D. d. (2025). Calibração de sistemas de recomendação com llms: otimização de prompts para balancear precisão, diversidade e justiça. Anais.
Quadrana, M., Cremonesi, P., and Jannach, D. (2018). Sequence-aware recommender systems. ACM computing surveys (CSUR), 51(4):1–36.
Rendle, S., Freudenthaler, C., Gantner, Z., and Schmidt-Thieme, L. (2012). Bpr: Bayesian personalized ranking from implicit feedback. arXiv preprint arXiv:1205.2618.
Rey, D. and Neuhäuser, M. (2011). Wilcoxon-signed-rank test. In International encyclopedia of statistical science, pages 1658–1659. Springer.
Sacilotti, A., Souza, R. F. d., and Manzato, M. G. (2023). Counteracting popularity-bias and improving diversity through calibrated recommendations. In In Proceedings of the 25th International Conference on Enterprise Information Systems, volume 1, Prague, Czech Republic. Scitepress.
Souza, R. and Manzato, M. (2024). A two-stage calibration approach for mitigating bias and fairness in recommender systems. In Proceedings of the 39th ACM/SIGAPP Symposium on Applied Computing, pages 1659–1661, New York, NY, USA. ACM.
Steck, H. (2018). Calibrated recommendations. In Proceedings of the 12th ACM conference on recommender systems, pages 154–162.
Wang, J., Chen, X., Lee, K.-C., Ghosh, D., Rao, N., and Hu, H. (2025). Automating personalization: Prompt optimization for recommendation reranking.
Werneck, H., Silva, N., Viana, M. C., Mourão, F., Pereira, A. C., and Rocha, L. (2020). A survey on point-of-interest recommendation in location-based social networks. In Proceedings of the Brazilian Symposium on Multimedia and the Web, pages 185–192.
Wu, L., Zheng, Z., Qiu, Z., Wang, H., Gu, H., Shen, T., Qin, C., Zhu, C., Zhu, H., Liu, Q., et al. (2024). A survey on large language models for recommendation. World Wide Web, 27(5):60.
Yang, C., Wang, X., Lu, Y., Liu, H., Le, Q. V., Zhou, D., and Chen, X. (2023). Large language models as optimizers. In The Twelfth International Conference on Learning Representations.
Zanon, A. L., da Rocha, L. C. D., and Manzato, M. G. (2022). Balancing the trade-off between accuracy and diversity in recommender systems with personalized explanations based on linked open data. Knowl. Based Syst., 252:109333. DOI: 10.1016/J.KNOSYS.2022.109333.
Zhao, Y., Wang, Y., Liu, Y., Cheng, X., Aggarwal, C. C., and Derr, T. (2025). Fairness and diversity in recommender systems: A survey. ACM Trans. Intell. Syst. Technol., 16(1). DOI: 10.1145/3664928.
Zhao, Z., Wallace, E., Feng, S., Klein, D., and Singh, S. (2021). Calibrate before use: Improving few-shot performance of language models. In International conference on machine learning, pages 12697–12706. PMLR.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
