VRAgent-R1：基于强化学习的多模态大语言模型智能体提升视频推荐
多媒体
2025-07-04 v1
摘要
凭借强大的自然语言处理和生成能力，大语言模型（LLM）智能体已成为通过用户模拟增强推荐系统的有前景的解决方案。然而，在视频推荐领域，现有研究主要采用基于提示的冻结LLM模拟，并面临多模态内容理解的复杂挑战。这通常导致次优的项目建模和用户偏好学习，从而最终限制了推荐性能。为应对这些挑战，我们引入了VRAgent-R1，一种新颖的基于智能体的范式，在用户模拟中融入类人智能。具体而言，VRAgent-R1包含两个不同的智能体：项目感知（IP）智能体和用户模拟（US）智能体，专为交互式用户-项目建模而设计。首先，IP智能体基于多模态大语言模型（MLLM）模拟类人的渐进式思维，有效捕获视频中隐藏的推荐语义。借助IP智能体提供的更全面的多模态内容理解，视频推荐系统能够提供更高质量的候选项目。随后，US智能体基于深入的思维链（CoT）推理优化推荐的视频集，并通过强化学习实现与真实用户偏好的更好对齐。在大型视频推荐基准上的实验结果表明，我们提出的VRAgent-R1方法具有有效性，例如，IP智能体在MicroLens-100k数据集上的NDCG@10提升了6.0%，而US智能体在用户决策模拟中的准确率相比最先进的基线高出约45.0%。
引用
@article{arxiv.2507.02626,
title = {VRAgent-R1: Boosting Video Recommendation with MLLM-based Agents via Reinforcement Learning},
author = {Siran Chen and Boyu Chen and Chenyun Yu and Yuxiao Luo and Ouyang Yi and Lei Cheng and Chengxiang Zhuo and Zang Li and Yali Wang},
journal= {arXiv preprint arXiv:2507.02626},
year = {2025}
}