代理 0：利用大型语言模型代理从文本中发现多值特征以提升推荐效果-计算机科学-大型语言模型-智能体-推荐系统.pdfVIP

代理0：利用大型语言模型代理从文本中发现多值特

征以提升推荐效果

Blakrlj,BenoîtGuilleminot,andAndraTori

Teads

corresponding:blaz.skrlj@

摘要大型语言模型（LLMs）及其相关的基于代理的框架显著推进了自动

本信息提取的发展，这是现代推荐系统的关键组成部分。虽然这些多任务框

架在代码生成中得到了广泛应用，但在数据驱动研究中的应用仍然尚未得

译到充分挖掘。本文介绍了Agent0，一个由LLM驱动的、基于代理的系统，

中旨在从原始非结构化文本中自动化信息提取和特征构造。分类特征对于大

1规模推荐系统至关重要，但往往难以获取。Agent0协调一组相互作用的

vLLM代理自动识别出对后续任务（如模型或AutoML管道）最有价值的文

3

9本方面。除了其特征工程能力外，Agent0还提供了一种利用来自预言机的

9动态反馈循环进行自动化提示工程调优的方法。我们的研究结果表明，这

8种闭环方法对于自动化特征发现是实用且有效的，这被认为是当前推荐系

1

.统开发中最具挑战性的阶段之一。

7

0

5Keywords:大型语言模型、智能体、推荐系统

2

:

v

i

x1介绍

r

a

大型语言模型正在科学和工业的不同学科中变得无处不在[2]。它们将自

然语言输入转换为所需形式的能力已在生成、检索和搜索中得到应用[13]。

最近的研究表明，基于大语言模型的功能可以提升推荐系统的性能[8][13]，

这表明存在提取特征的潜力，尤其是在文本/图像领域，其中提取规则不明

确且需要由人类数据科学家来确定。然而，近期由于神经网络代理无缝集

成、与不同工具进行通信以及迭代解决方案构建的能力，它们开始受到关

注。基于代理的大语言模型系统正成为加速软件工程的标准，并有可能改变

研究——通常由人类研究人员进行的迭代性想法精炼和评估过程。此类系统

的示例是最近推出的AlphaEvolve[7]，这是一个自主代理系统，在整个组织

中执行系统级别的优化。在这项工作中，我们介绍了Agent0，这是首批针对

2krljetal.

高信号特征标签提取器

从以下文本中提取1-10个独特的高信号特征标签，这些标签最能提高点击率或推荐

模型。考虑的标签类（按优先顺序）：

–核心主题或子主题

–命名实体（人名、品牌、产品、地点、事件、组织）

–用户意图或内容格式（例如，如何操作指南,视频教程）

–观众或人设线索（例如，首次购房者）

–情感、紧迫性或报价信号

–具有意义的时间或地理参考

格式规则：

1.每个标签1–3个词（如果是官方专有名词则为4个）。

2.数