AMEM4Rec: エージェント型 LLM 推察システムにおける横用户類似性の活用と記憶の進化

arXiv:2602.08837v1 Announcement Type: cross 要旨: LLM（Large Language Models）に駆動されたエージェントシステムは、推察システムにおいて強いポテンシャルを示しつつも、数々の課題に阻害されています。LLM のファインチューニングはパラメータ効率性が低く、プロンプトに基づくエージェント型推論はコンテキスト長および幻覚リスクに限界があります。さらに、既存のエージェント型推察システムは大部分がセマンティック知識を活用し、潜在的な好意思をモデル化する上で不可欠な協力フィルター（CF）シグナルを看過していません。これらの限界に対処するため、我々は、横用户の記憶進化を通じてエンドエンドに協力信号を学習するエージェント型 LLM ベースの推察システム「AMEM4Rec」を提案します。AMEM4Rec は、ユーザーの履歴から抽象的なユーザー行動パターンをグローバルメモリプールに保存します。このプール内では、記憶が類似した既存の記憶に連結され、共通の横用户パターンを強化するために反復的に進化させられます。これにより、事前学習された CF モデルに依存することなく、システムが CF 信号を意識的に認識できるようになります。Amazon および MIND データセットにおける広範な実験により、AMEM4Rec は最先端の LLM ベースの推察システムを恒常的に優越させ、記憶指向の協力フィルタリングが効果的であることを示しました。

arXiv:2602.08837v1 Announce Type: cross Abstract: Agentic systems powered by Large Language Models (LLMs) have shown strong potential in recommender systems but remain hindered by several challenges. Fine-tuning LLMs is parameter-inefficient, and prompt-based agentic reasoning is limited by context length and hallucination risk. Moreover, existing agentic recommendation systems predominantly leverages semantic knowledge while neglecting the collaborative filtering (CF) signals essential for implicit preference modeling. To address these limitations, we propose AMEM4Rec, an agentic LLM-based recommender that learns collaborative signals in an end-to-end manner through cross-user memory evolution. AMEM4Rec stores abstract user behavior patterns from user histories in a global memory pool. Within this pool, memories are linked to similar existing ones and iteratively evolved to reinforce shared cross-user patterns, enabling the system to become aware of CF signals without relying on a pre-trained CF model. Extensive experiments on Amazon and MIND datasets show that AMEM4Rec consistently outperforms state-of-the-art LLM-based recommenders, demonstrating the effectiveness of evolving memory-guided collaborative filtering.