AdaptJobRec: Enhancing Conversational Career Recommendation through an LLM-Powered Agentic System
信息检索
2025-10-15 v2 人工智能
摘要
近年来，推荐系统已从提供单个推荐列表的形式发展为提供全方位主题聚焦服务的综合套件。为更好地完成这一任务，对话式推荐系统 (CRS) 已从基本的检索增强 LLM 生成发展为具备高级推理和自我纠正能力的具代理任性系统。然而，具代理任性系统伴随显著的响应延迟，这是对话式推荐系统长期面临的挑战。为在处理复杂查询和最小化延迟之间取得平衡，我们提出 AdaptJobRec——第一个利用自主代理集成个性化推荐算法工具的对话式职业推荐系统。该系统采用用户查询复杂度识别机制以最小化响应延迟。对于简单查询，代理直接选择 appropriate tool 以实现快速响应。对于复杂查询，代理使用记忆处理模块筛选聊天历史中的相关内容，然后将结果传递给智能任务分解计划器，最后使用个性化推荐工具执行任务。在 Walmart 的真实世界职业推荐场景中进行的评估表明，AdaptJobRec 在相较于竞争基准时将平均响应延迟降低最高可达 53.3%，同时显著提高推荐准确率。
引用
@article{arxiv.2508.13423,
title = {AdaptJobRec: Enhancing Conversational Career Recommendation through an LLM-Powered Agentic System},
author = {Qixin Wang and Dawei Wang and Kun Chen and Yaowei Hu and Puneet Girdhar and Ruoteng Wang and Aadesh Gupta and Chaitanya Devella and Wenlai Guo and Shangwen Huang and Bachir Aoun and Greg Hayworth and Han Li and Xintao Wu},
journal= {arXiv preprint arXiv:2508.13423},
year = {2025}
}