論文の概要: RAH! RecSys-Assistant-Human: A Human-Centered Recommendation Framework with LLM Agents

• arxiv url: http://arxiv.org/abs/2308.09904v2
• Date: Tue, 17 Oct 2023 11:48:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 20:47:52.603762
• Title: RAH! RecSys-Assistant-Human: A Human-Centered Recommendation Framework with LLM Agents
• Title（参考訳）: RAH! RecSys-Assistant-Human: LLMエージェントを用いた人間中心のレコメンデーションフレームワーク
• Authors: Yubo Shu, Haonan Zhang, Hansu Gu, Peng Zhang, Tun Lu, Dongsheng Li, Ning Gu
• Abstract要約: この研究は、これらの問題に対処することは単にレコメンダシステムの責任ではないと主張している。 本稿では,RAH Recommenderシステム,Assistant,Humanフレームワークを紹介する。 私たちのコントリビューションは、さまざまなレコメンデーションモデルと効果的に連携する、人間中心のレコメンデーションフレームワークを提供します。
• 参考スコア（独自算出の注目度）: 30.250555783628762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid evolution of the web has led to an exponential growth in content. Recommender systems play a crucial role in Human-Computer Interaction (HCI) by tailoring content based on individual preferences. Despite their importance, challenges persist in balancing recommendation accuracy with user satisfaction, addressing biases while preserving user privacy, and solving cold-start problems in cross-domain situations. This research argues that addressing these issues is not solely the recommender systems' responsibility, and a human-centered approach is vital. We introduce the RAH Recommender system, Assistant, and Human) framework, an innovative solution with LLM-based agents such as Perceive, Learn, Act, Critic, and Reflect, emphasizing the alignment with user personalities. The framework utilizes the Learn-Act-Critic loop and a reflection mechanism for improving user alignment. Using the real-world data, our experiments demonstrate the RAH framework's efficacy in various recommendation domains, from reducing human burden to mitigating biases and enhancing user control. Notably, our contributions provide a human-centered recommendation framework that partners effectively with various recommendation models.
• Abstract（参考訳）: webの急速な進化は、コンテンツの指数関数的な成長をもたらした。 リコメンダシステムは、個人の好みに基づいてコンテンツを調整することで、ヒューマン・コンピュータインタラクション(HCI)において重要な役割を果たす。 その重要性にもかかわらず、ユーザの満足度とレコメンデーションの精度のバランス、ユーザのプライバシを維持しながらバイアスに対処すること、ドメイン横断の状況におけるコールドスタート問題の解決が課題である。 この研究は、これらの問題に対処することは単なるレコメンダシステムの責任ではなく、人間中心のアプローチが不可欠であると主張している。 我々は,認知,学習,アクト,批判,リフレクションといったLLMエージェントを用いた革新的なソリューションであるRAHレコメンダシステム,アシスタント,ヒューマン)フレームワークを導入し,ユーザの個性との整合性を強調した。 このフレームワークはLearn-Act-Criticループとリフレクション機構を利用してユーザーアライメントを改善する。 実世界のデータを用いて,ユーザの負担軽減からバイアス軽減,ユーザコントロールの向上に至るまで,RAHフレームワークの有効性を様々なレコメンデーション領域で実証した。 特に、私たちのコントリビューションは、さまざまなレコメンデーションモデルと効果的に提携する、人間中心のレコメンデーションフレームワークを提供しています。

関連論文リスト

• The 1st Workshop on Human-Centered Recommender Systems [27.23807230278776]
  このワークショップは、研究者が人間中心のレコメンダシステムを開発するためのプラットフォームを提供することを目的としている。 HCRSは、設計と運用の中心にある人間の要求、価値観、能力を優先するレコメンデーターシステムを作成することを指す。 このワークショップには、堅牢性、プライバシー、透明性、公正性、多様性、説明責任、倫理的考慮事項、ユーザフレンドリーなデザインなど、トピックスを含めるが制限されない。
  論文  参考訳（メタデータ） (2024-11-22T06:46:41Z)
• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• CURATe: Benchmarking Personalised Alignment of Conversational AI Assistants [5.7605009639020315]
  5つのシナリオ(いずれも337のユースケース)にわたる10の先行モデルの評価 主要な障害モードには、矛盾する好みの適切な重み付け、症状、コンテキストウィンドウ内の重要なユーザ情報に対する注意力の欠如、ユーザ固有の知識の一貫性のない適用が含まれる。 本稿では,AIアシスタントに自己回帰機能,オンラインユーザモデリング,動的リスク評価を組み込むための研究指針を提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:59:31Z)
• Navigating User Experience of ChatGPT-based Conversational Recommender Systems: The Effects of Prompt Guidance and Recommendation Domain [15.179413273734761]
  本研究では,プロンプトガイダンス(PG)とレコメンデーションドメイン(RD)がシステム全体のユーザエクスペリエンスに与える影響について検討する。 その結果,PGはシステムの説明可能性,適応性,使いやすさ,透明性を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-05-22T11:49:40Z)
• Ensuring User-side Fairness in Dynamic Recommender Systems [37.20838165555877]
  本稿では,動的レコメンデーションシステムにおけるユーザ側の公正性を保証するための第一原理的な研究について述べる。 本稿では,FAir Dynamic rEcommender (FADE)を提案する。 FADEは、全体的なレコメンデーション性能を犠牲にすることなく、性能格差を効果的かつ効率的に低減することを示す。
  論文  参考訳（メタデータ） (2023-08-29T22:03:17Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Offline Meta-level Model-based Reinforcement Learning Approach for Cold-Start Recommendation [27.17948754183511]
  強化学習は、リコメンデータシステムに対する長期的なユーザの関心を最適化する上で大きな可能性を秘めている。 既存のRLベースのレコメンデーション手法では、ユーザが堅牢なレコメンデーションポリシーを学ぶために、多数のインタラクションが必要である。 本稿では,ユーザ適応の高速化を目的としたメタレベルモデルに基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-04T08:58:35Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。