자율적인 언어 에이전트를 활용한 개인화 추천 도구 학습

Personalized Recommendation Tool Learning via Autonomous Language Agents

최근 대규모 언어 모델(LLM)은 뛰어난 추론 능력과 방대한 지식 덕분에 추천 시스템 분야에서 주목받고 있습니다. 그러나 기존의 LLM 기반 에이전트는 환각 현상 및 컨텍스트 길이 제한 등의 문제로 인해 전체 순위 추천 작업에는 적합하지 않습니다. 본 연구에서는 LLM 자체를 수정하는 대신, 아키텍처 설계를 통해 이러한 한계점을 극복하고자 합니다. 우리는 LLM을 중앙 플래너로 활용하고 여러 개의 추천 모델을 도구로 사용하는 에이전트 기반의 추천 프레임워크인 PRTA (Personalized Recommendation Tool learning via autonomous language Agents)를 제안합니다. LLM 기반 에이전트는 고차원적인 추론과 개인화된 도구 선택을 담당하며, 기존의 추천 모델은 전체 순위를 매기는 작업을 수행하여 행동 패턴 모델링에서의 확장성을 활용합니다. 또한, 사용자의 프로필 및 후보 순위 목록을 기반으로 에이전트가 각 도구를 평가하고 비교할 수 있도록 하는 반사 메커니즘을 설계했습니다. 세 개의 공개 데이터셋에 대한 광범위한 실험 결과는 PRTA가 기존의 추천 모델 및 LLM 기반 기준 모델보다 전체 순위 추천 성능을 향상시키는 데 우수하다는 것을 보여줍니다.

Although large language models (LLMs) have recently gained traction in recommender systems due to their strong reasoning capabilities and extensive world knowledge, previous LLM-based agents suffer from hallucination and context-length limitations, and thus are not suitable for full-ranking recommendation tasks. To circumvent these limitations through architectural design rather than modifying the LLM itself, we propose an agent-based recommendation framework, memory-based $\textbf{P}$ersonalized $\textbf{R}$ecommendation $\textbf{T}$ool learning via autonomous language $\textbf{A}$gents (PRTA), in which an LLM acts as a central planner interacting with multiple recommendation models as tools. The LLM-based agent is responsible for high-level reasoning and personalized tool selection, while traditional recommendation models perform full-ranking scoring, leveraging their scalability in modeling behavioral patterns. To support personalized tool selection, we design reflection mechanisms that enable the agent to evaluate and compare tools for each user based on user profiles and candidate ranked lists. Extensive experiments across three public datasets demonstrate the superiority of \modelname over traditional recommendation and LLM-based baselines in improving full-ranking recommendation performance.