RPP：通过多智能体强化学习提高大语言模型在推荐系统的效果

主要观点总结

本文介绍了通过多智能体强化学习提高大语言模型在推荐系统的效果的项目。针对大语言模型在推荐系统中的任务导向的提示设计存在的问题，提出了实例导向的提示策略，借助强化提示个性化（RPP）技术，通过多代理强化学习精细调整四种模式（角色扮演、历史记录、推理引导和输出格式）。实验证明，RPP/RPP+在多数据集的排名任务中表现卓越，提升了大语言模型在推荐领域的实效性。代码已公开。

关键观点总结

关键观点1: 研究背景

随着大语言模型的兴起，推荐系统需要更精细的提示来捕捉用户意图，提高推荐效果。

关键观点2: 存在的问题

传统的方法往往采用任务导向的提示设计，使用固定的模板，无法适应所有用户的个性化需求。

关键观点3: 解决方案

提出实例导向的提示策略，借助强化学习为每个用户量身定制个性化提示，通过多智能体强化学习（MARL）精细调整四种模式（角色扮演、历史记录、推理引导和输出格式）。

关键观点4: 技术细节

1. 提出RPP（Reinforced Prompt Personalization）技术，借助多智能体强化学习（MARL）进行提示优化。2. 设计有效的动作集，平衡搜索效率与提示质量。3. 构建状态空间，包含用户特定信息、当前提示和推荐结果。4. 使用NDCG作为奖励函数，量化智能体选择的行动的好坏。

关键观点5: 实验结果

在多个公开数据集上评估RPP/RPP+的效果，结果显示RPP/RPP+显著提高了大语言模型在推荐系统的性能，超越了传统推荐模型和基于提示的方法。

关键观点6: 加入社群与获取更多信息

公众号回复LLM或加入社群获取更多最新论文更新和资讯。