Les grands modèles de langage sont en train de changer la façon dont les systèmes de recommandation interagissent avec les utilisateurs, allant au-delà de la prédiction de l'élément suivant que l'utilisateur pourrait aimer pour comprendre leurs besoins et s'adapter grâce à des commentaires en langage naturel. Cependant, aucun jeu de données n'existe pour explorer ces nouvelles capacités, c'est pourquoi un nouveau jeu de données de référence appelé Reviews Enhanced with GEnerative Narratives (REGEN) a été développé. REGEN intègre des recommandations d'éléments, des fonctionnalités de langage naturel et des narrations personnalisées, permettant d'explorer et de benchmark les nouvelles architectures de systèmes de recommandation. Le jeu de données a été créé en augmentant le jeu de données d'évaluations de produits Amazon avec des critiques utilisateur synthétiques et des narrations générées à l'aide du modèle Flash Gemini 1.5. REGEN permet d'évaluer les modèles qui intègrent les commentaires des utilisateurs et produisent du langage naturel cohérent avec les recommandations. Les expériences montrent que les grands modèles de langage formés sur REGEN peuvent générer efficacement à la fois des recommandations et des narrations contextuelles, atteignant des performances comparables à celles des meilleurs systèmes de recommandation et modèles de langage. Le jeu de données comprend des critiques, qui permettent aux utilisateurs d'exprimer leurs préférences, et des narrations, qui fournissent des informations contextuelles riches sur les éléments recommandés. Deux architectures de référence ont été développées pour explorer différentes approches de modélisation : un système hybride et un modèle génératif complet appelé LUMEN. Les résultats montrent que REGEN peut challenger et différencier de manière significative les modèles à la fois pour les tâches de recommandation et de génération, et que l'intégration des critiques utilisateur dans l'entrée améliore systématiquement les métriques de recommandation. REGEN fournit une ressource fondamentale pour étudier les capacités des modèles de recommandation conversationnels, faisant progresser la recommandation conversationnelle en intégrant le langage comme élément fondamental.