PersonaAgent con GraphRAG es una propuesta de personalización que combina el historial individual de un usuario con patrones recuperados de otros usuarios. El sistema representa interacciones, conceptos y categorías en un grafo heterogéneo. Para cada consulta, selecciona mediante similitud TF-IDF tanto interacciones del propio usuario como interacciones globales, añade preferencias por categoría y conceptos relacionados, y linealiza ese contexto en un prompt para el LLM. La evaluación usa tres tareas de LaMP: categorización personalizada de noticias, etiquetado de películas y predicción de valoraciones de productos. Frente a la versión previa PersonaAgent, el método obtiene en LaMP-2N 0,804 de accuracy y 0,591 de F1; en LaMP-2M, 0,653 y 0,662; y en LaMP-3 reduce MAE a 0,216 y RMSE a 0,484. Los porcentajes destacados por los autores, +11,1 % de F1 en noticias, +56,1 % en películas y −10,4 % de MAE en productos, son mejoras relativas sobre PersonaAgent. Un ejemplo cualitativo muestra que añadir noticias globalmente similares corrige una clasificación de Llama 3 8B sesgada por el historial temático del usuario. El trabajo evidencia que, en estos tres conjuntos y con esta configuración, incorporar contexto comunitario puede mejorar las métricas de personalización. Sin embargo, no incluye intervalos, pruebas de significación ni una ablación que separe la contribución del grafo, la recuperación personal, la recuperación global y el formato del prompt. Tampoco evalúa con usuarios la explicabilidad alegada, la adaptación longitudinal ni los riesgos de privacidad, homogeneización o filtración entre perfiles. Aquí «persona» significa un perfil inferido del historial de interacción, no un rasgo psicológico validado.
Pregunta de investigación
¿Mejora la personalización en tareas LaMP al construir los prompts de un agente con un grafo que combina historial individual, preferencias por categoría, conceptos y patrones de interacción recuperados de la comunidad?