MemRec: Collaborative Memory-Augmented Agentic Recommender System

推荐系统的发展已从评分矩阵和稠密嵌入，逐步演进到智能体时代下的语义记忆。然而，现有的智能体仍依赖孤立的记忆机制，忽视了至关重要的协同信号。要弥合这一差距面临两大挑战：一是如何在不给推理智能体带来过高认知负担的前提下，从庞大的图结构上下文中提炼有效信息；二是如何高效地持续更新协同记忆，同时避免不可承受的计算开销。为应对这些问题，我们提出了MemRec框架，通过将推理过程与记忆管理在架构上解耦，实现高效的协同增强。MemRec引入了一个专用且成本低廉的语言模型LM_Mem，用于维护一个动态的协同记忆图，并向下游的LLM_Rec提供经过整合、高信息量的上下文。该框架通过一个实用的流水线运行，包含高效的检索机制以及低成本的异步图传播，能够在后台持续演化记忆。在四个基准数据集上的大量实验表明，MemRec达到了最先进的性能。此外，架构分析进一步验证了其灵活性，通过支持包括本地开源模型在内的多种部署方式，确立了一条新的帕累托前沿，在推理质量、成本和隐私之间实现了更好的平衡。代码地址：https://github.com/rutgerswiselab/memrec，项目主页：https://memrec.weixinchen.com

现有的推荐系统在智能体时代虽然转向了语义记忆存储，但大多依赖孤立的记忆机制，忽略了重要的协同信号。同时，如何从庞大的图上下文中提炼有效信息而不增加推理智能体的认知负担，以及如何高效演进协同记忆而不带来过高计算成本，成为两大核心挑战。这是一个随着推荐系统向智能化、代理化演进而浮现的新问题。

MemRec通过将推理与记忆管理在架构上解耦，引入一个专用且低成本的语言模型LM_Mem来维护动态的协同记忆图，并为下游的LLM_Rec提供高信噪比的合成上下文。这种分离设计使得协同记忆可以在后台异步更新，既减轻了主推理模型的认知负荷，又实现了高效、可扩展的协同增强。相比现有方法，该框架首次实现了低成本、持续演化的协同记忆与高性能推理的分离式架构。

论文在四个基准数据集上进行了广泛实验，验证了MemRec在推荐性能上的SOTA表现；提出了高效的检索与异步图传播流程，支持灵活部署（包括本地开源模型），兼顾推理质量、成本与隐私；代码已开源（https://github.com/rutgerswiselab/memrec），并提供了项目主页（https://memrec.weixinchen.com），便于复现和后续研究；未来可进一步探索多智能体协同记忆共享、记忆蒸馏机制优化及在真实场景中的在线学习能力。

1. "Agent-Based Recommender Systems with Memory Networks", 2023 2. "Collaborative Intelligence: Deep Learning in the Era of Autonomous Agents", 2024 3. "Graph-Augmented LLMs for Recommendation: A Survey", 2023 4. "Memory-Efficient Language Models for Personalized Agents", NeurIPS 2023 5. "Retrieval-Augmented Generation for Recommender Systems", SIGIR 2024