在推荐系统中，大型语言模型（LLMs）因其强大的推理能力和广泛的世界知识而备受关注。然而，现有的基于LLM的代理存在幻觉和上下文长度限制，导致其不适合全排序推荐任务。为了解决这些问题，我们提出了一种基于代理的推荐框架——记忆型个性化推荐工具学习（PRTA），该框架中LLM作为中央规划者，与多个推荐模型进行交互。
在这个框架中，LLM代理负责高层次的推理和个性化工具选择，而传统推荐模型则执行全排序评分，利用其在建模行为模式方面的可扩展性。为了支持个性化工具选择，我们设计了反思机制，使得代理能够根据用户档案和候选排名列表对每个用户评估和比较工具。
在三个公共数据集上的大量实验表明，PRTA在提升全排序推荐性能方面优于传统推荐和基于LLM的基线方法。
博主点评： 该研究通过独特的代理框架有效解决了LLM在推荐系统中的局限性，充分利用了传统模型的优势，展现了个性化推荐的未来方向。