AMEM4Rec：基于跨用户相似性实现记忆演化的智能体LLM推荐系统
信息检索
2026-02-10 v1 机器学习
摘要
由大型语言模型（LLM）驱动的智能体系统在推荐系统中展现出巨大的潜力，但仍面临若干挑战。微调LLM参数效率低下，基于提示的智能体推理受限于上下文长度和幻觉风险。此外，现有智能体推荐系统主要利用语义知识，忽略了对于隐式偏好建模至关重要的协同过滤（CF）信号。为此，我们提出AMEM4Rec，一种基于跨用户记忆演化实现协同信号端到端学习的智能体LLM推荐系统。AMEM4Rec将用户历史行为模式存储在全局记忆池中。在该记忆池中，记忆被链接到相似的已有记忆，并迭代演化以强化共享的跨用户模式，使系统能够在不依赖预训练CF模型的情况下识别CF信号。大量实验表明，AMEM4Rec在Amazon和MIND数据集上 consistently 优于当前最先进的LLM-based推荐系统，证明了演化记忆引导的协同过滤的有效性。
引用
@article{arxiv.2602.08837,
title = {AMEM4Rec: Leveraging Cross-User Similarity for Memory Evolution in Agentic LLM Recommenders},
author = {Minh-Duc Nguyen and Hai-Dang Kieu and Dung D. Le},
journal= {arXiv preprint arXiv:2602.08837},
year = {2026}
}