MACRec 라는 새로운 프레임워크를 소개하는데 멀티 에이전트 협력으로 추천 시스템을 개선을 위해 설계했다. 기존 에이전트를 사용해서 사용자/아이템 시뮬레이션을 사용하는 것과 다르게, 추천 태스크를 직접 처리하는 에이전트를 배포하려고 한다. 프레임워크에서는 추천 태스크가 매니저, 사용자/아이템 애널리스트, 리플렉터, 서처 그리고 태스크 인터프리터를 포함한 여러 특화 에이전트의 협력을 통해 해결된다. 게다가, 어떻게 개발자가 레이팅 예측, 시퀀스 추천, 대화형 추천 그리고 추천 결과에 대한 설명 생성을 포함한 다양한 추천 태스크에 MACRec을 간단히 사용할 지 예제를 제공한다. 프레임워크와 데모 영상이 깃헙 에 공유 되어져 있다
LLM의 발전으로 LLM 기반 에이전트가 복잡한 작업을 완료할 수 있게 되었다. 이러한 에이전트의 의미론적 이해, 계획, 그리고 의사 결정 기술은 컨텍스트 인식 추천과 미묘한 것에 대한 잠재력을 개방했다.
연구자들은 에이전트의 능력을 활용해서 추천 태스크를 해결하는 시도를 하기 시작했다. 기존 연구는
사용자 혹은 아이템 행동을 시뮬레이션 하는데 에이전트를 적용하는데 집중했고,
사용자 선호도에 대한 통찰은 제공하지만 추천 시스템과의 통합은 부족했다. 그러나, 일부 연구에서는
추천 시스템을 직접 구축하는데 에이전트의 능력을 활용하려고 했다.
싱글 에이전트로 플래닝 그리고 메모리 컴포넌트 그리고 보조 툴(예. 검색 엔진)을 사용한다. 그러나, 추천 시나리오의 여러 복잡한 의사 결정 태스크로 싱글 에이전트의 성능을 내지 못했다.
멀티 에이전트 협력은 인간의 워크플로우와 가깝고 협력적 지식이 복잡한 태스크에 더 낫다.
기존에 멀티 에이전트 추천 프레임워크가 있지만, 제한된 에이전트 타입과 고정된 협력 모드만 제공한다.
추천 태스크를 위해 멀티 에이전트 협력의 잠재력을 더 잘 활용하기 위해, MACRec을 제시하는데, Multi-Agent Collaboration framework for RECommender system이다. 추천을 직접 구축하는데 초점을 맞춘다. MACRec은 LLM과 유용한 툴 들로 커스텀 가능한 에이전트를 제공하는데, 이 에이전트 들은 서로 다른 역할을 가지고 특정 추천 태스크를 해결하기 위해 협력한다.
Manager : 태스크 실행 계획과 관리
Reflector : 과거 에러 들을 반영
User/Item Analyst : 사용자/아이템 특징을 분석
Searcher : 검색 툴 사용으로 더 많은 정보 검색
Task Interpreter : 대화를 실행 가능한 추천 태스크로 번역
LLM 기반 에이전트 추천은 두 가지로 카테고리 될 수 있다.