論文の概要: AgentCF: Collaborative Learning with Autonomous Language Agents for
Recommender Systems
- arxiv url: http://arxiv.org/abs/2310.09233v1
- Date: Fri, 13 Oct 2023 16:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 12:00:28.723061
- Title: AgentCF: Collaborative Learning with Autonomous Language Agents for
Recommender Systems
- Title(参考訳): AgentCF: Recommenderシステムのための自律言語エージェントによる協調学習
- Authors: Junjie Zhang, Yupeng Hou, Ruobing Xie, Wenqi Sun, Julian McAuley,
Wayne Xin Zhao, Leyu Lin, Ji-Rong Wen
- Abstract要約: 本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。
我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。
全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
- 参考スコア(独自算出の注目度): 112.76941157194544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, there has been an emergence of employing LLM-powered agents as
believable human proxies, based on their remarkable decision-making capability.
However, existing studies mainly focus on simulating human dialogue. Human
non-verbal behaviors, such as item clicking in recommender systems, although
implicitly exhibiting user preferences and could enhance the modeling of users,
have not been deeply explored. The main reasons lie in the gap between language
modeling and behavior modeling, as well as the incomprehension of LLMs about
user-item relations.
To address this issue, we propose AgentCF for simulating user-item
interactions in recommender systems through agent-based collaborative
filtering. We creatively consider not only users but also items as agents, and
develop a collaborative learning approach that optimizes both kinds of agents
together. Specifically, at each time step, we first prompt the user and item
agents to interact autonomously. Then, based on the disparities between the
agents' decisions and real-world interaction records, user and item agents are
prompted to reflect on and adjust the misleading simulations collaboratively,
thereby modeling their two-sided relations. The optimized agents can also
propagate their preferences to other agents in subsequent interactions,
implicitly capturing the collaborative filtering idea. Overall, the optimized
agents exhibit diverse interaction behaviors within our framework, including
user-item, user-user, item-item, and collective interactions. The results show
that these agents can demonstrate personalized behaviors akin to those of
real-world individuals, sparking the development of next-generation user
behavior simulation.
- Abstract(参考訳): 近年,その顕著な意思決定能力に基づいて,LLMを媒介する薬剤を人間プロキシとして利用し始めている。
しかし、既存の研究は主に人間の対話のシミュレーションに焦点を当てている。
推薦システムにおけるアイテムクリックのような人間の非言語行動は、暗黙的にユーザの好みを示し、ユーザのモデリングを強化するが、深く検討されていない。
主な理由は、言語モデリングと行動モデリングのギャップと、ユーザ・イテム関係に関するLLMの理解の欠如にある。
この問題に対処するため,エージェントベースの協調フィルタリングにより,レコメンダシステムにおけるユーザ・イテムインタラクションをシミュレートするエージェントCFを提案する。
創造的にユーザだけでなく,アイテムもエージェントとして考慮し,双方のエージェントを最適化する協調学習手法を開発した。
具体的には、各ステップで、まずユーザーとアイテムエージェントが自律的に対話するように促します。
そして、エージェントの判断と実世界のインタラクション記録との相違に基づいて、ユーザとアイテムエージェントが協調して誤解を招くシミュレーションを反映・調整するように促され、両者の関係をモデル化する。
最適化されたエージェントは、後続のインタラクションにおいて他のエージェントへの好みを伝達し、暗黙的に協調フィルタリングのアイデアを捉えることができる。
全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内のさまざまなインタラクション挙動を示す。
その結果、これらのエージェントは現実世界の個人と同様のパーソナライズされた行動を示すことができ、次世代のユーザ行動シミュレーションの開発に拍車をかけた。
関連論文リスト
- Tell Me More! Towards Implicit User Intention Understanding of Language
Model Driven Agents [110.25679611755962]
現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。
Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。
私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
論文 参考訳(メタデータ) (2024-02-14T14:36:30Z) - Affordable Generative Agents [17.564711490225612]
本研究では,エージェント環境とエージェント間の両方のレベルにおいて,信頼性と低コストのインタラクション生成を可能にするフレームワークを開発する。
複数の環境における大規模な実験により,提案手法の有効性と有効性を示した。
論文 参考訳(メタデータ) (2024-02-03T06:16:28Z) - Contrastive learning-based agent modeling for deep reinforcement
learning [31.293496061727932]
エージェントモデリングは、マルチエージェントシステムにおけるインテリジェントマシンエージェントの適応ポリシーを設計する際に必須である。
我々は,エゴエージェントの訓練・実行時の局所的な観察のみに依存する,コントラスト学習に基づくエージェントモデリング(CLAM)手法を考案した。
CLAMは、各エピソードの冒頭から、リアルタイムに一貫した高品質なポリシー表現を生成することができる。
論文 参考訳(メタデータ) (2023-12-30T03:44:12Z) - On Generative Agents in Recommendation [65.52796348055281]
Agent4RecはLarge Language Models (LLM)に基づく映画レコメンデーションシミュレータである。
ユーザプロファイル、メモリ、アクションモジュールを備えたLLMを内蔵した生成エージェントは、レコメンダシステムに特化している。
Agent4Recの評価では、エージェント間のアライメントと逸脱とユーザ個人化された好みの両方を強調している。
論文 参考訳(メタデータ) (2023-10-16T06:41:16Z) - ProAgent: Building Proactive Cooperative Agents with Large Language
Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。
ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。
ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文 参考訳(メタデータ) (2023-08-22T10:36:56Z) - Generative Agents: Interactive Simulacra of Human Behavior [86.1026716646289]
生成エージェントを導入し,人間の振る舞いをシミュレートする計算ソフトウェアエージェントについて紹介する。
エージェントの経験の完全な記録を格納するために,大規模言語モデルを拡張するアーキテクチャについて述べる。
The Simsにインスパイアされた対話型サンドボックス環境に生成エージェントを投入する。
論文 参考訳(メタデータ) (2023-04-07T01:55:19Z) - Many Episode Learning in a Modular Embodied Agent via End-to-End
Interaction [22.14911101362573]
本稿では,機械学習(ML)を駆使したエージェントを,クラウドワーカーとのインタラクションを通じて改善するケーススタディを提案する。
エージェントはモジュールのセットで構成されており、そのうちのいくつかは学習され、その他は学習される。
エージェントの設計と複数のアノテーションインタフェースの設計の連携について述べる。
論文 参考訳(メタデータ) (2022-04-19T06:11:46Z) - SPA: Verbal Interactions between Agents and Avatars in Shared Virtual
Environments using Propositional Planning [61.335252950832256]
SPA(Sense-Plan-Ask)は、仮想的な仮想環境において、仮想的な人間のようなエージェントとユーザアバターの間の言語的対話を生成する。
提案アルゴリズムは実行時コストを小さくし,自然言語通信を利用せずにエージェントよりも効率的に目標を達成できることが判明した。
論文 参考訳(メタデータ) (2020-02-08T23:15:06Z)
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。