RRCM：针对 LLM 推荐的协作和元记忆的排名驱动检索

大语言模型 (LLM) 已成为下一代推荐系统的有前途的范例，提供强大的语义理解和自然语言推理能力。尽管最近取得了进展，当前基于 LLM 的推荐器在从异构证据构建决策相关上下文方面仍然面临着关键挑战。首先，现有方法通常依赖于固定的上下文构建策略：协作行为证据和项目端元数据通常通过预定义的提示、静态检索管道或手工注入机制合并，这使得很难确定哪些信息对每个实例真正有益。其次，异构证据引入了严重的上下文效率瓶颈。丰富的元数据和协作交互记录可以快速淹没上下文窗口，而积极的压缩或启发式过滤可能会丢弃对于准确推荐至关重要的细粒度证据。为了应对这些挑战，我们提出了 RRCM，这是一种基于协作和元数据记忆的排名驱动的检索和推理框架，用于基于 LLM 的代理推荐。 RRCM 从轻量级用户历史上下文开始，学习是否直接推荐、检索协作证据、检索项目元数据或通过推理将两者交错。两种记忆都以自然语言表示，并通过统一的检索界面进行访问，从而无需手工制作 CF 注入或固定的检索规则即可实现灵活的证据获取。我们使用仅结果排名奖励来优化此内存读取策略，并使用组相对策略优化进行实例化，以便检索决策直接由最终的 top-k 推荐质量驱动。大量实验表明，RRCM 显着优于传统基线和各种基于 LLM 的推荐方法。