[ES]Los grandes modelos de lenguaje (LLM) han revolucionado la inteligencia artificial, aplicándose en diversas tareas como los sistemas de recomendación. Este trabajo revisa la literatura existente y propone reproducir un método de recomendación secuencial llamado LlamaRec, que utiliza un enfoque de dos fases: primero selecciona candidatos con un modelo tradicional y luego los reordena con un LLM. Los resultados muestran que LlamaRec es efectivo en varios dominios y que puede mejorarse con modelos más avanzados, aunque enfrenta limitaciones como la necesidad de altos recursos computacionales. Este estudio sugiere futuras investigaciones para optimizar el entrenamiento y mejorar la reproducibilidad en sistemas de recomendación basados en LLM.
[EN]Large language models (LLMs) have disrupted artificial intelligence, being applied to multiple tasks such as recommender systems. This work reviews the existing literature and proposes evaluating an LLM-based sequential recommendation method called LlamaRec, which uses a two-phase approach: first, it retrieves candidates with a traditional model and then ranks them with an LLM. The results show that LlamaRec is effective across multiple domains and can be improved with more advanced models, though it faces limitations like the need for significant computational resources. This study suggests future research to optimize training and reproducibility practices in LLM-based recommendation systems
