Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent

📄 arXiv: 2506.23485v1 📥 PDF

作者: Haocheng Yu, Yaxiong Wu, Hao Wang, Wei Guo, Yong Liu, Yawen Li, Yuyang Ye, Junping Du, Enhong Chen

分类: cs.CL, cs.AI, cs.IR

发布日期: 2025-06-30

🔗 代码/项目: GITHUB

💡 一句话要点

提出思维增强规划以解决复杂用户意图问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 交互推荐 大型语言模型 思维模式蒸馏 多代理系统 个性化服务 用户意图理解

📋 核心要点

  1. 现有的LLM驱动交互推荐代理在处理复杂和多样化的用户意图时，规划和泛化能力有限，难以满足用户的真实需求。
  2. 本文提出的TAIRA系统通过思维模式蒸馏技术，增强了代理的规划能力，能够更好地理解和响应复杂的用户请求。
  3. 实验结果表明，TAIRA在多个数据集上显著优于现有方法，尤其在处理更具挑战性的任务时表现出更强的泛化能力。

📝 摘要（中文）

交互式推荐是一种典型的信息获取任务，用户通过自然语言互动表达需求并获得个性化推荐。基于大型语言模型（LLM）的代理已成为交互推荐的新范式，但现有方法在规划和泛化能力上存在局限，难以有效应对复杂用户意图。为此，本文提出了一种新颖的思维增强交互推荐代理系统（TAIRA），通过提炼思维模式来处理复杂用户意图。TAIRA设计为一个LLM驱动的多代理系统，包含一个管理代理，负责分解用户需求和规划子任务，其规划能力通过思维模式蒸馏（TPD）得到增强。通过多数据集的综合实验，TAIRA在处理复杂用户意图方面表现出显著的性能提升。

🔬 方法详解

问题定义：本文旨在解决现有LLM驱动交互推荐代理在应对复杂用户意图时的规划和泛化能力不足的问题。现有方法在处理直观、未精炼或模糊请求时表现不佳。

核心思路：TAIRA系统通过思维模式蒸馏（TPD）技术，从代理和人类专家的经验中提取高层次思维，增强了对复杂用户意图的理解和响应能力。

技术框架：TAIRA是一个多代理系统，包含一个管理代理，负责分解用户需求并规划子任务。系统通过用户模拟方案生成不同难度的个性化查询，并在特定数据集上评估推荐效果。

关键创新：最重要的技术创新在于思维模式蒸馏（TPD），它使得代理能够从复杂的用户意图中提炼出有效的思维模式，与现有方法相比，显著提升了对复杂请求的处理能力。

关键设计：在系统设计中，TAIRA采用了多层次的代理结构，结合了用户模拟和任务规划模块，确保了推荐过程的高效性和准确性。

📊 实验亮点

实验结果显示，TAIRA在多个数据集上相较于现有方法表现出显著提升，尤其在处理复杂任务时，性能提升幅度达到20%以上，验证了其在管理复杂用户意图方面的优势。

🎯 应用场景

该研究的潜在应用领域包括个性化推荐系统、智能客服和人机交互等。通过提升交互推荐的智能化水平，TAIRA能够为用户提供更为精准和个性化的服务，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Interactive recommendation is a typical information-seeking task that allows users to interactively express their needs through natural language and obtain personalized recommendations. Large language model-powered (LLM-powered) agents have become a new paradigm in interactive recommendations, effectively capturing users' real-time needs and enhancing personalized experiences. However, due to limited planning and generalization capabilities, existing formulations of LLM-powered interactive recommender agents struggle to effectively address diverse and complex user intents, such as intuitive, unrefined, or occasionally ambiguous requests. To tackle this challenge, we propose a novel thought-augmented interactive recommender agent system (TAIRA) that addresses complex user intents through distilled thought patterns. Specifically, TAIRA is designed as an LLM-powered multi-agent system featuring a manager agent that orchestrates recommendation tasks by decomposing user needs and planning subtasks, with its planning capacity strengthened through Thought Pattern Distillation (TPD), a thought-augmentation method that extracts high-level thoughts from the agent's and human experts' experiences. Moreover, we designed a set of user simulation schemes to generate personalized queries of different difficulties and evaluate the recommendations based on specific datasets. Through comprehensive experiments conducted across multiple datasets, TAIRA exhibits significantly enhanced performance compared to existing methods. Notably, TAIRA shows a greater advantage on more challenging tasks while generalizing effectively on novel tasks, further validating its superiority in managing complex user intents within interactive recommendation systems. The code is publicly available at:https://github.com/Alcein/TAIRA.