RecNet：面向智能体推荐系统的自演化偏好传播机制

智能体推荐系统利用大语言模型（LLMs）建模复杂用户行为并支持个性化决策。然而，现有方法主要依赖稀疏、噪声大的显式用户-物品交互数据，难以捕捉用户与物品间的实时相互影响。为此，本文提出RecNet——一种自演化的偏好传播框架，主动在相关用户与物品间传播实时偏好更新。RecNet包含两个互补阶段：前向阶段通过中心化偏好路由机制，利用路由智能体整合并动态传播偏好至最相关智能体，并引入个性化偏好接收机制，结合消息缓冲区与可优化的规则记忆模块，基于过往经验与兴趣选择性吸收偏好；后向阶段则采用反馈驱动的传播优化机制，模拟多智能体强化学习框架，利用LLM进行信用分配、梯度分析与模块级优化，实现传播策略的持续自演化。大量实验验证了RecNet在建模推荐系统偏好传播中的有效性。