MARS：针对重复订单送餐建议的多代理重新排名

大语言模型 (LLM) 越来越多地用于推荐系统，但通常不清楚当将强大的预训练主干网放置在结构化推荐管道中时，仅从它们中可以获得多少性能。在本文中，我们提出了 MARS，一种用于重复订单送餐推荐的模块化多智能体重排序框架。 MARS 充当受控混合框架，用于研究预训练的 LLM 在与轻量级协作检索和上下文过滤相结合时在此设置中可以走多远。 MARS 分两个阶段执行从粗到细的推荐：美食预测，然后是供应商排名。该框架结合了基于 LightGCN 的全局偏好信号、基于 Swing 的本地同行证据、地理空间过滤以及针对行为、时间和地理上下文的提示驱动的 LLM 推理。我们根据两个现实世界的 Delivery Hero 基准（DHRD-SE 和 DHRD-SG）评估 MARS，并将其与启发式、顺序、基于图形和特定于食品配送的基准进行比较。我们还提供详细的实施和评估协议，包括提示和解码。我们的研究做出了三个贡献。首先，它提出了一个用于重复订单食品配送推荐的模块化多代理框架，该框架在透明管道中集成了协作信号和基于 LLM 的重新排名。其次，它表明，当与轻量级协作检索配合使用时，强大的预训练骨干网在重复订单推荐方面已经具有竞争力。第三，它为食品配送中的混合 LLM 推荐器建立了可重复的评估设置。