Enhancing Cross-Domain Recommendations with Memory-Optimized LLM-Based User Agents

Jiahao Liu, Shengkang Gu, Dongsheng Li, Guangping Zhang, Mingzhe Han, Hansu Gu, Peng Zhang, Tun Lu, Li Shang, Ning Gu·February 19, 2025

Summary

AgentCF++,一种改进跨域推荐系统的框架,通过双层记忆和两步融合机制,有效提升性能。它过滤领域偏好,引入共享记忆兴趣群体,捕捉相似用户受流行影响。实验显示,AgentCF++在多个数据集上优于基线模型,显著提升性能。

Key findings

4

引言
背景
跨域推荐系统面临的挑战
当前跨域推荐系统存在的问题
目标
AgentCF++的创新点与目标
提升跨域推荐系统性能的具体目标
方法
双层记忆机制
第一层记忆:领域偏好记忆
第二层记忆:共享记忆兴趣群体
两步融合机制
第一步:相似用户受流行影响的捕捉
第二步:跨域信息的有效融合
实验设计与评估
数据集选择与预处理
数据集的选取原则
数据集的预处理方法
实验方法与参数设置
实验方法的详细说明
参数设置与优化策略
性能评估指标
评估指标的选择与解释
实验结果的展示与分析
结果与分析
实验结果概述
AgentCF++在多个数据集上的表现
与基线模型的对比分析
性能提升原因分析
双层记忆与两步融合机制的贡献
实验结果的深入解读
结论与展望
AgentCF++的贡献与优势
对跨域推荐系统领域的贡献
解决问题的有效性与创新性
未来研究方向
AgentCF++的潜在改进空间
跨域推荐系统未来发展趋势的探讨
Basic info
papers
information retrieval
artificial intelligence
Advanced features
Insights
实验结果表明,AgentCF++在哪些方面优于基线模型?
AgentCF++如何过滤领域偏好?
AgentCF++是什么?
AgentCF++通过什么机制提升性能?