HARP: LLM 기반 추천을 위한 학습 불필요한(Training-Free) 이중 프로파일 에이전트 커뮤니케이션

LLM 기반 추천 시스템에서 메모리는 메모리 증강 백본(memory-augmented backbone) 내의 사용자 레벨 에이전트 역할을 합니다. 하지만 사용자와 아이템은 여전히 비대칭적입니다. 오직 사용자에게만 구조화된 프로파일이 주어지며, 이 프로파일은 대역폭 제한형 리랭커 프롬프트(bandwidth-limited reranker prompt)로 들어가고 워밍업(warmup) 이후에는 고정됩니다. 우리는 LLM 기반 추천을 네 단계의 에이전트 커뮤니케이션 프로세스로 재구성합니다: 자기 설명 구축(BUILD), 협업 그래프를 따라 전송(TRANSMIT), 상대방 이해(UNDERSTAND), 그리고 다음 상호작용으로부터 동기화(SYNC)하는 과정입니다. 이러한 공식화는 세 가지 해결되지 않은 커뮤니케이션 과제를 드러냅니다: 아이템 측은 비교 가능한 자기 설명을 결코 생성하지 못합니다 (일방적인 BUILD); 프로파일 레벨 신호가 검색(retrieval)이 아닌 대역폭 제한형 리랭커 프롬프트에만 들어가기 때문에, 컨텍스트 토큰을 두고 경쟁할 수 없습니다 (프롬프트 트랩된 UNDERSTAND); 그리고 사용자의 설명은 원칙적인 업데이트 규칙 없이 워밍업 이후 고정됩니다 (부재하는 SYNC). 우리는 누락된 단계들을 HARP(Homophily-aware Agentic Recommendation via dual Profiles)로 구현했습니다. 이는 학습이 필요 없는(training-free) 방식으로, 고정된 LLM 백본에 세 가지 연산자(operator)를 추가한 것입니다: 규칙 추출형 대칭 아이템 프로파일 (추가적인 LLM 호출 없음), 검색 시점에 사용되는 채널 분해 가능한 프로파일 레벨 동질성 H(phi_u, phi_i) (리랭커 프롬프트 내부가 아닌 곳에서 소비됨), 그리고 기울기 단계 없이 인 컨텍스트 프로파일 진화를 실현하는 단일 패스 반사 업데이트입니다. 네 가지 공개 벤치마크(Yelp, Books, MovieTV, Goodreads)에서 HARP는 가장 강력한 발표된 기준선 대비 Hit@1을 6.9%-24.0% 향상시켰으며, 모든 데이터셋에서 가족별 Holm-수정 p < 1e-9를 기록했습니다. 제거 분석(Ablations) 및 개별 사례 기여도 연구는 이 연산자들이 상호 보완적인 이득을 제공하며, 특히 검색 측 게이트가 주요 원천임을 보여줍니다. 또한 반사 패스에 의해 도입되는 트레이드오프도 보고합니다. 우리는 에이전트 커뮤니케이션을 공식화하고 학습 불필요한 구현 방식을 제공했습니다. 코드는 https://github.com/Jove-Zhen/HARP에서 이용 가능합니다.