HARP：免训练双画像智能体通信方法提升LLM推荐
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载被指出的三处通信缺口
作者把基于LLM的推荐看作一次智能体之间的通信，拆成四步：构建自描述、沿协同图传输、理解对方、从下一次交互中同步。按这个框架，现有做法有三处没打通。其一，只有用户有结构化画像，物品侧从不产出可与之比较的自描述，通信是单向的。其二，画像级信号只被塞进带宽受限的重排提示里，没有进入检索阶段，而在检索阶段它本不必与上下文争抢token。其三，用户描述在预热完成后就被冻结，没有成体系的更新规则，后续交互无法回流修正画像。
三个算子的具体做法
HARP针对上述缺口补了三个算子，且全程不训练、不改动已冻结的LLM主干。物品侧画像由规则抽取得到，不产生额外的LLM调用，从而与用户画像形成对称结构。画像级同质性被设计成可分解到通道的形式，在检索时参与计算，而不是留在重排提示内部。画像更新采用单次反思式改写，在上下文内完成演化，不经过任何梯度步骤。作者称这一组合为免训练的智能体通信实例化。
基准结果与增益来源
在Yelp、Books、MovieTV、Goodreads四个公开数据集上，HARP把Hit@1相对最强已发表基线抬高6.9%至24.0%，每个数据集经Holm族错误率校正后p值均小于1e-9。消融实验与逐案例归因显示，三个算子带来的收益互相补充而非重叠，其中检索侧的门控是主要贡献来源。论文同时报告了反思式更新环节引入的权衡，即它并非只有正收益。该工作被NeurIPS 2026信息检索方向接收，代码已放出。
为什么值得看
免训练、不改主干即可接入，检索侧画像门控是主要增益来源，对做LLM推荐系统落地的人有直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。