LLM-Based Intelligent Agents for Music Recommendation: A Comparison with Classical Content-Based Filtering

📄 arXiv: 2508.11671v1 📥 PDF

作者: Ronald Carvalho Boadana, Ademir Guimarães da Costa Junior, Ricardo Rios, Fábio Santos da Silva

分类: cs.IR, cs.AI, cs.LG, cs.MA

发布日期: 2025-08-07

备注: 12 pages, in Portuguese language, 2 figures, 5 tables, 3 formulas. To be published in the Proceedings of the Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2025)

💡 一句话要点

利用LLM智能体进行音乐推荐，效果优于传统内容过滤方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 音乐推荐系统 大型语言模型 智能体 个性化推荐 内容过滤 用户满意度 多智能体系统

📋 核心要点

  1. 现有音乐推荐系统难以有效应对流媒体平台上海量音乐带来的信息过载问题，用户体验有待提升。
  2. 论文提出一种基于大型语言模型（LLM）和智能体的多智能体音乐推荐系统，旨在实现个性化推荐并提升用户满意度。
  3. 实验结果表明，该方法相较于传统内容过滤方法，在用户满意度方面有显著提升，最高可达89.32%。

📝 摘要（中文）

随着流媒体平台上音乐资源日益丰富，用户面临信息过载的问题。为了解决这个问题并提升用户体验，研究者们提出了越来越复杂的推荐系统。本文探讨了Gemini和LLaMA系列的大型语言模型（LLM）与智能体相结合，应用于多智能体个性化音乐推荐系统。并将结果与传统的内容过滤推荐模型进行了比较，考虑了用户满意度、新颖性和计算效率。实验结果表明，LLM实现了高达89.32%的满意率，表明其在音乐推荐系统中具有广阔的应用前景。

🔬 方法详解

问题定义：论文旨在解决流媒体音乐平台中用户面临的信息过载问题，现有基于内容的推荐方法虽然能提供个性化推荐，但在捕捉用户潜在兴趣、提供新颖性推荐方面存在不足，导致用户满意度不高。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大语义理解和生成能力，构建智能体来模拟用户行为和偏好，从而实现更精准、更个性化的音乐推荐。通过多智能体协作，可以更好地探索用户的潜在兴趣，并提供更具新颖性的推荐结果。

技术框架：该系统采用多智能体架构，每个智能体负责不同的任务，例如用户画像构建、音乐内容理解、推荐生成和评估。LLM作为智能体的核心组件，负责处理文本信息、理解用户意图和生成推荐列表。系统流程包括：1) 用户行为数据收集；2) LLM智能体构建用户画像；3) LLM智能体分析音乐内容；4) 智能体协同生成推荐列表；5) 用户反馈收集与模型优化。

关键创新：该论文的关键创新在于将大型语言模型（LLM）与多智能体系统相结合，用于音乐推荐。与传统的基于内容过滤的方法相比，该方法能够更好地理解用户意图和音乐内容，从而提供更个性化和新颖的推荐。此外，多智能体架构能够实现更灵活的推荐策略和更高效的计算。

关键设计：论文使用了Gemini和LLaMA系列的大型语言模型作为智能体的核心。具体参数设置和网络结构未详细说明，但强调了LLM在语义理解和生成方面的作用。损失函数和训练策略也未明确给出，但提到会收集用户反馈并进行模型优化。智能体之间的协作方式也未详细描述，但推测可能采用某种形式的通信或共享机制。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，基于LLM的智能体推荐系统在用户满意度方面显著优于传统的内容过滤方法，最高可达89.32%。这表明LLM在音乐推荐领域具有巨大的潜力。此外，该研究还考虑了推荐的新颖性和计算效率，为实际应用提供了有价值的参考。

🎯 应用场景

该研究成果可应用于各种流媒体音乐平台，提升用户体验，增加用户粘性。此外，该方法也可扩展到其他推荐场景，如电影、书籍、新闻等，具有广泛的应用前景。未来，该研究可以进一步探索如何利用LLM更好地理解用户情感，并提供更具情感化的推荐。

📄 摘要（原文）

The growing availability of music on streaming platforms has led to information overload for users. To address this issue and enhance the user experience, increasingly sophisticated recommendation systems have been proposed. This work investigates the use of Large Language Models (LLMs) from the Gemini and LLaMA families, combined with intelligent agents, in a multi-agent personalized music recommendation system. The results are compared with a traditional content-based recommendation model, considering user satisfaction, novelty, and computational efficiency. LLMs achieved satisfaction rates of up to \textit{89{,}32\%}, indicating their promising potential in music recommendation systems.