通过自主语言代理学习的个性化推荐工具

尽管 大语言模型 (LLM) 最近因其强大的推理能力和广泛的世界知识而在推荐系统中受到关注，但之前基于 LLM 的代理受到幻觉和上下文长度限制，因此不适合全排名推荐任务。为了通过架构设计而不是修改LLM本身来规避这些限制，我们提出了一种基于代理的推荐框架，基于内存的$\textbf{P}$个性化$\textbf{R}$ecommendation $\textbf{T}$通过自治语言$\textbf{A}$gents（PRTA）学习，其中LLM充当与多个推荐交互的中央规划器模型作为工具。基于 LLM 的代理负责高级推理和个性化工具选择，而传统推荐模型则利用其在建模行为模式中的可扩展性来执行全面评分。为了支持个性化工具选择，我们设计了反射机制，使代理能够根据用户配置文件和候选排名列表评估和比较每个用户的工具。跨三个公共数据集的广泛实验证明了 \modelname 相对于传统推荐和基于 LLM 的基线在提高全排名推荐性能方面的优越性。