MemRec: 협업 기반 메모리 증강 에이전트 추천 시스템

MemRec: Collaborative Memory-Augmented Agentic Recommender System

추천 시스템의 발전은 사용자 선호도 저장 방식을 단순 평가 행렬 및 밀집 임베딩에서, 에이전트 시대에 접어들면서 의미 기반 메모리로 변화하고 있습니다. 하지만 기존 에이전트들은 분리된 메모리에 의존하며, 중요한 협업 신호를 간과합니다. 이러한 간극을 해소하는 것은 방대한 그래프 컨텍스트를 추출하여 추론 에이전트에게 과도한 인지적 부담을 주지 않도록 하는 것과, 협업 메모리를 효율적으로 발전시키면서 동시에 과도한 계산 비용을 발생시키지 않도록 하는 두 가지 과제를 해결해야 합니다. 이러한 문제를 해결하기 위해, 우리는 효율적인 협업 증강을 가능하게 하는 추론과 메모리 관리를 구조적으로 분리한 프레임워크인 MemRec을 제안합니다. MemRec은 전용적인 LM_Mem을 도입하여 동적 협업 메모리 그래프를 관리하고, 다운스트림 LLM_Rec에 합성된 고품질 컨텍스트를 제공합니다. 이 프레임워크는 효율적인 검색과 비용 효율적인 비동기 그래프 전파를 특징으로 하는 실용적인 파이프라인을 통해 메모리를 백그라운드에서 발전시킵니다. 네 가지 벤치마크에 대한 광범위한 실험 결과, MemRec이 최첨단 성능을 달성한다는 것을 보여줍니다. 또한, 구조적 분석을 통해 MemRec의 유연성을 확인했으며, 로컬 오픈 소스 모델을 포함한 다양한 배포 방식을 지원하면서 추론 품질, 비용 및 개인 정보 보호 간의 균형을 이루는 새로운 패레토 프론티어를 제시합니다. 코드: https://github.com/rutgerswiselab/memrec, 홈페이지: https://memrec.weixinchen.com

The evolution of recommender systems has shifted preference storage from rating matrices and dense embeddings to semantic memory in the agentic era. Yet existing agents rely on isolated memory, overlooking crucial collaborative signals. Bridging this gap is hindered by the dual challenges of distilling vast graph contexts without overwhelming reasoning agents with cognitive load, and evolving the collaborative memory efficiently without incurring prohibitive computational costs. To address this, we propose MemRec, a framework that architecturally decouples reasoning from memory management to enable efficient collaborative augmentation. MemRec introduces a dedicated, cost-effective LM_Mem to manage a dynamic collaborative memory graph, serving synthesized, high-signal context to a downstream LLM_Rec. The framework operates via a practical pipeline featuring efficient retrieval and cost-effective asynchronous graph propagation that evolves memory in the background. Extensive experiments on four benchmarks demonstrate that MemRec achieves state-of-the-art performance. Furthermore, architectural analysis confirms its flexibility, establishing a new Pareto frontier that balances reasoning quality, cost, and privacy through support for diverse deployments, including local open-source models. Code:https://github.com/rutgerswiselab/memrec and Homepage: https://memrec.weixinchen.com