观察和反思：多模式记忆增强代理协作推荐

基于 大语言模型 (LLM) 的代理推荐系统在通过自然语言推理对用户偏好进行建模方面表现出了希望，但它们仍然受到以文本为中心的输入和粗粒度内存更新的限制，使得代理容易丢失视觉证据、语义噪声和偏好漂移。为了解决这些限制，我们提出了 MMEACR，一种用于推荐的多模式记忆增强代理协作框架。 MMEACR 引入了双轨内存架构，将可解释代理推理与细粒度多模态匹配分开。在推理轨道中，协作的用户和项目记忆代理维护持久的多模态记忆，并通过属性引导的强化和反思机制更新它们。在匹配轨道中，解耦的多模态嵌入存储器是根据原始交互叙述和项目图像构建的，以保留结构化存储器更新之外的详细跨模态信号。这两个轨道通过加权倒数秩融合进行整合，以产生稳健且可解释的排名。对三个现实世界领域的实验表明，与基于 LLM 和基于代理的基线相比，MMEACR 实现了强大的整体性能，并且在基于视觉的推荐场景中取得了显着的进步。