Federated Recommender Agents
联邦推荐智能体：以自然语言知识共享实现隐私保护的 LLM 推荐协作
🧭 联邦推荐 · LLM Agent 知识共享 ★ 深度解读
Pohang University of Science and Technology · Sungkyunkwan University
在不更新 LLM 参数的前提下，用 C–T–R 知识单元和双隐私记忆实现推荐 Agent 的联邦协作
📌 工作参考价值（4 点）
- 在隐私约束或跨租户/跨店铺协作场景，可把用户行为抽象为 Condition–Transition–Reasoning 自然语言知识单元，去标识化后上传服务端做聚类整合，替代模型参数聚合，避免频繁微调 LLM。
- 用户画像拆成 semantic memory（偏好）和 decision memory（决策倾向）双记忆，推荐时分别用于检索和分支选择；实验显示分离维护比统一记忆保留率更高，可复用到个性化 rerank。
- 服务端对共享 reasoning 的整合需要跨分支 discrimination：相似行为下用户可能继续、回归或探索，必须保留不同 transition 分支，否则通用化会损失推荐精度。
- 固定客户端与服务端 LLM 参数，仅更新自然语言知识库（memory bank），适合端侧资源受限的推荐 Agent 部署，便于业务侧冷启动与隐私合规。