基于BAP论文实现的个性化推荐代理系统，通过大语言模型实现智能推荐。 论文提出BAP框架（平衡采样、自适应补全、渐进优化），在"用户-代理-平台"范式下系统性解决三大问题： 平衡采样策略（BSS） 自适应描述补全（ADC） 渐进工作流程优化（PWO） 实验结果 真实数据集实验表明，BAP相比i2Agent整体性能提升26.8%，在HR、NDCG、MRR等指标上优势显著。

项目概述

本项目实现了一个基于LLM的推荐系统，主要功能：

• 五步推荐工作流：推荐生成 → 用户画像 → 知识提取 → 动态兴趣 → 重排序
• 支持多种数据集（Amazon Books、MovieTV、Yelp、Goodreads等）
• 仅提供动态推荐模式

核心文件

• BAP.py - 推荐代理核心实现，包含五步推荐工作流
• Main.py - 主执行脚本，处理数据加载和实验运行
• .env - API密钥配置文件
• Optimize Description/ - 商品描述优化工具集

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 配置API密钥

在 .env 文件中配置：

OPENAI_API_KEY='your-key'
DASHSCOPE_API_KEY='your-key'

3. 运行实验

# 基本运行
python Main.py --dataset amazon --domain books --agent_type dynamic --Description_missing _description

# 参数说明
# --dataset: 数据集 (amazon, goodreads, yelp)
# --domain: 领域 (books, movietv, yelp, reads) 
# --agent_type: 代理类型 (static, dynamic)
# --Description_missing：是否有商品描述缺失(_description=已将缺失值填入, ''=未将缺失值填入)

主要功能

BAP.py - 推荐代理核心

• 五步工作流：推荐内容生成 → 用户画像 → 知识生成 → 动态兴趣 → 重排序
• 评估指标：Hit Rate、NDCG、MRR
• 错误处理：API重试机制、JSON解析容错

Main.py - 主执行脚本

• 数据处理：分块处理、并发执行
• 样本采样：正负样本交叉排列
• 结果记录：日志文件、指标统计

Optimize Description/ - 工具集

1. • process_descriptions.py - 处理描述格式
2. • generate_descriptions.py - 生成商品描述
3. • merge_descriptions.py - 合并描述数据
4. • update_pkl_descriptions.py - 更新数据文件

输出结果

实验结果保存在 result/ 目录：

• 日志文件：详细执行过程
• 结果文件：性能指标统计