HARP：免训练双画像代理推荐框架，Hit@1最高提升24%

推荐系统的通信困境：用户与物品的不对称

在基于大语言模型（LLM）的推荐系统中，记忆模块常被视作用户级的代理，嵌入在记忆增强的主干网络中。但用户与物品之间存在天然的不对称：只有用户拥有结构化画像，物品没有可比的自描述；用户画像仅通过带宽受限的重排提示输入，而非检索阶段；而且画像在预热后就被冻结，缺乏原则性的更新规则。

据该研究论文的描述，这种不对称性构成了三个未解决的通信挑战：物品侧从不产生可比的自描述（单向的BUILD）；画像级信号只进入带宽受限的重排提示而非检索阶段，导致“提示陷阱”（prompt-trapped UNDERSTAND）；用户描述在预热后冻结，没有原则性的更新规则（缺失的SYNC）。

带宽受限的提示（bandwidth-limited prompt） 指大语言模型的上下文窗口容量有限，用户画像信息在作为提示输入时，只能以极少的 token 呈现，无法完整传递用户偏好的全部细节。因此，若将画像信号仅置于重排阶段的提示中，信息会被大幅压缩，且无法影响候选物品的检索过程，导致模型对用户的理解被“困”在提示层面。

HARP的四个通信阶段与三个算子

研究者将LLM推荐重新表述为代理通信过程，包含四个阶段：BUILD（构建自述）、TRANSMIT（沿协作图传输）、UNDERSTAND（理解对方）、SYNC（从下一次交互同步）。HARP（Homophily-aware Agentic Recommendation via dual Profiles）正是针对缺失阶段提出的免训练、三算子扩展，附加在冻结的LLM主干上。

三个核心算子分别对应上述挑战：

• 规则提取的对称物品画像：无需额外LLM调用，零成本为物品生成自描述，解决单向BUILD问题。
• 通道可分解的画像级同质性H(φ_u, φ_i)：在检索时消费，而非塞入重排提示，突破带宽限制，解决提示陷阱。
• 单遍反思更新：实现上下文内的画像演化，无需任何梯度步骤，补上SYNC环节。

这种设计巧妙地绕开了微调成本，同时让画像信号在检索阶段就发挥作用，避免与上下文令牌竞争。

同质性（Homophily） 在社会网络与推荐系统中，指相似用户倾向于与相似物品交互的现象。HARP 中的同质性函数 ( H(\phi_u, \phi_i) ) 用于度量用户画像 ( \phi_u ) 与物品画像 ( \phi_i ) 之间的匹配程度，从而在检索阶段对候选物品进行门控筛选，使画像信号直接参与召回，而不仅限于重排。

免训练（Training-free） 意味着不更新大语言模型的任何参数，也不进行微调，仅通过推理时的算子扩展（如规则提取、上下文内反思）来增强推荐能力，降低了部署成本与灾难性遗忘风险。

实验效果：Hit@1显著提升

在四个公开基准（Yelp、Books、MovieTV、Goodreads）上，HARP将Hit@1相比最强已发表基线提升了6.9%至24.0%，且每个数据集上经Holm校正的p值均小于1e-9，统计显著性极强。

消融实验和逐案例归因研究显示，三个算子贡献互补增益，其中检索侧的门控是主要来源。研究者还报告了反思过程引入的权衡。

有意思的是，HARP完全免训练，代码已开源（https://github.com/Jove-Zhen/HARP），这对实际部署非常友好。

Hit@1 是推荐系统常用的评估指标，表示在模型给出的排序列表中，排名第一的物品恰好是用户真实交互物品的样本比例。Holm 校正 是一种多重假设检验校正方法，用于控制家族错误率，当 p 值经 Holm 校正后仍小于 1e-9 时，说明各数据集上的提升并非偶然。

多源视角与局限

目前该工作主要通过论文和代码库传播，尚未见大规模独立复现。单一来源的分析指出，检索侧门控贡献最大，但反思过程存在权衡，可能在某些场景下引入额外开销或噪声。未来需要更多社区验证来评估其泛化能力。

总体而言，HARP将代理通信框架引入LLM推荐，以轻量级算子解决了画像不对称问题，为免训练推荐系统提供了新思路。