RecNet：面向Agentic推荐系统的自演化偏好传播

Agentic推荐系统利用大语言模型（LLM）建模复杂用户行为并支持个性化决策。然而，现有方法主要基于显式的用户-物品交互来建模偏好变化，这类交互稀疏、含噪，且无法反映用户与物品之间实时的相互影响。为解决这些局限，我们提出RecNet，一个自演化偏好传播框架，主动地在相关用户与物品之间传播实时偏好更新。RecNet由两个互补阶段组成。在前向阶段，集中式偏好路由机制利用路由智能体整合偏好更新，并将其动态传播到最相关的智能体。为确保传播偏好被准确且个性化地整合，我们进一步引入个性化偏好接收机制，它结合用于临时缓存的消息缓冲区和一个可优化的基于规则的过滤记忆，依据过往经验与兴趣引导选择性偏好同化。在反向阶段，反馈驱动的传播优化机制模拟多智能体强化学习框架，使用LLM进行贡献归因、梯度分析和模块级优化，实现传播策略的持续自演化。在多种场景上的大量实验证明了RecNet在建模推荐系统偏好传播方面的有效性。