MARS: 재주문 음식 배달 추천을 위한 다중 에이전트 재순위화

MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation

대규모 언어 모델(LLM)은 점점 더 많은 추천 시스템에서 활용되고 있지만, 구조화된 추천 파이프라인 내에서 강력한 사전 훈련된 모델만으로는 어느 정도의 성능 향상을 얻을 수 있는지 불분명한 경우가 많습니다. 본 논문에서는 재주문 음식 배달 추천을 위한 모듈식 다중 에이전트 재순위화 프레임워크인 MARS를 제시합니다. MARS는 경량 협업 검색 및 컨텍스트 필터링과 결합될 때 사전 훈련된 LLM이 이 설정에서 얼마나 효과적인지 연구하기 위한 제어된 하이브리드 프레임워크 역할을 합니다. MARS는 크게 두 단계로 구성된 추천 과정을 수행합니다: 먼저 음식 종류를 예측하고, 그 다음 판매업체 순위를 매깁니다. 이 프레임워크는 LightGCN 기반의 글로벌 선호도 신호, Swing 기반의 로컬 피어 증거, 지리 공간 필터링, 그리고 행동, 시간 및 지리적 컨텍스트에 대한 프롬프트 기반 LLM 추론을 결합합니다. 우리는 MARS를 실제 Delivery Hero 벤치마크인 DHRD-SE와 DHRD-SG에서 평가하고, 휴리스틱, 순차적, 그래프 기반, 그리고 음식 배달 특화된 기본 모델들과 비교했습니다. 또한 프롬프팅 및 디코딩을 포함한 상세한 구현 및 평가 프로토콜을 제공합니다. 본 연구는 세 가지 주요 기여를 합니다. 첫째, 협업 신호와 LLM 기반 재순위화를 투명하게 통합하는 모듈식 다중 에이전트 프레임워크를 제시합니다. 둘째, 강력한 사전 훈련된 모델은 경량 협업 검색과 함께 사용될 때 재주문 추천에서 경쟁력 있는 성능을 보일 수 있음을 보여줍니다. 셋째, 음식 배달 분야의 하이브리드 LLM 추천 시스템에 대한 재현 가능한 평가 환경을 구축합니다.

Large language models (LLMs) are increasingly used in recommender systems, but it is often unclear how much performance can be obtained from strong pre-trained backbones alone when they are placed inside a structured recommendation pipeline. In this paper, we present MARS, a modular multi-agent re-ranking framework for repeat-order food delivery recommendation. MARS serves as a controlled hybrid framework for studying how far pre-trained LLMs can go in this setting when combined with lightweight collaborative retrieval and contextual filtering. MARS performs coarse-to-fine recommendation in two stages: cuisine prediction followed by vendor ranking. The framework combines LightGCN-based global preference signals, Swing-based local peer evidence, geospatial filtering, and prompt-driven LLM reasoning over behavioral, temporal, and geographic context. We evaluate MARS on two real-world Delivery Hero benchmarks, DHRD-SE and DHRD-SG, and compare it against heuristic, sequential, graph-based, and food-delivery-specific baselines. We also provide detailed implementation and evaluation protocols, including prompting and decoding. Our study makes three contributions. First, it presents a modular multi-agent framework for repeat-order food delivery recommendation that integrates collaborative signals and LLM-based re-ranking in a transparent pipeline. Second, it shows that strong pre-trained backbones can already be competitive in repeat-order recommendation when paired with lightweight collaborative retrieval. Third, it establishes a reproducible evaluation setting for hybrid LLM recommenders in food delivery.