MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation
MARS：面向外卖复购推荐的多智能体重排序框架
🧭 多智能体协作重排序 ★ 深度解读
Georgia Institute of Technology · The University of Texas at Austin
结合轻量级协同召回与 LLM 分阶段重排序，证明预训练 LLM 在复购推荐中可匹敌专用模型。
📌 工作参考价值（4 点）
- 粗排-精排两阶段设计：先用 LightGCN 进行菜系（cuisine）级粗排，再结合 Swing 协同相似度和 LLM 进行商家（vendor）精排，有效降低候选集大小，适合电商中品类多、商家多的长尾场景。
- 协同信号作为 LLM 输入：不抛弃成熟的协同过滤，而是将 LightGCN 的全局偏好与 Swing 的局部共现信息提炼成文本证据供 LLM 推理，简单且实用。
- 多智能体框架提升可解释性：Manager 调度、Profiler 提取特征、Analyzer 预测菜系、Critic 排序商家，中间输出结构化，便于监控和调试，尤其适合需要业务可解释性的推荐系统。
- 推理时计算（test-time compute）能带来额外收益：启用 LLM 的 thinking 模式让模型在输出前自我修正，显著提升重排序精度，成本允许时可在关键环节采用。