HARP: Training-Free Dual-Profile Agentic Communication for LLM-Based Recommendation
Pubblicata su AIChronos il · fonte del · Zhen Tao, Xun Zhou, Xuhui Chen, Ziyue Qiao, Qingqiang Sun
L'articolo HARP propone un framework per il recommendation basato su LLM che recasta l'interazione utente-articolo come un processo di comunicazione agentic in quattro fasi: BUILD, TRANSMIT, UNDERSTAND e SYNC. Il metodo risolve tre sfide comunicative non risolte nei sistemi attuali: la mancanza di una descrizione auto-riferita simmetrica per gli item (one-sided BUILD), i segnali a livello di profilo intrappolati nel prompt del reranker invece che nella retrieval (prompt-trapped UNDERSTAND) e l'assenza di regole principiate per aggiornare il profilo utente dopo il warmup (absent SYNC). HARP è un'estensione training-free composta da tre operatori: una regola estratta per creare profili item simmetrici, un meccanismo di omofilia a livello di canale consumato durante la retrieval e un aggiornamento riflessivo in-context senza gradienti.
- HARP introduce una comunicazione agentic duale tra utente e item, superando l'asimmetria tradizionale nei sistemi di recommendation basati su LLM.
- Il metodo è training-free e aggiunge tre operatori a un backbone LLM congelato senza richiedere chiamate aggiuntive all'LLM né step gradientici.
- Gli esperimenti sui benchmark pubblici (Yelp, Books, MovieTV, Goodreads) mostrano miglioramenti significativi del Hit@1 rispetto alle baseline esistenti con p-value < 1e-9.
- L'aggiornamento riflessivo realisce l'evoluzione dei profili in-context in un singolo passaggio, evitando la necessità di addestramento continuo.
- Lo studio delle ablazioni identifica il gate lato retrieval come la principale fonte di guadagno prestazionale del sistema.
Perché conta. Permette a uno sviluppatore di migliorare le prestazioni dei sistemi di recommendation senza costi computazionali aggiuntivi per l'addestramento o chiamate LLM extra. Fornisce un approccio strutturato per implementare agenti comunicativi in architetture locali, gestendo dinamicamente i profili utente e item tramite meccanismi in-context.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.