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

• ReSpAct: Harmonizing Reasoning, Speaking, and Acting Towards Building Large Language Model-Based Conversational AI Agents [11.118991548784459]
  大規模言語モデル(LLM)ベースのエージェントは、ますます外部環境との対話に使われている。 現在のフレームワークでは、これらのエージェントがユーザと対話してタスクの詳細を調整できない。 この作業では、タスク指向の"会話型"エージェントを構築する上で不可欠なスキルを組み合わせた、新しいフレームワークであるReSpActを紹介します。
  論文  参考訳（メタデータ） (2024-11-01T15:57:45Z)
• FLOW: A Feedback LOop FrameWork for Simultaneously Enhancing Recommendation and User Agents [28.25107058257086]
  本稿では,フィードバックループを導入することで,推薦エージェントとユーザエージェントの協調を実現するFLOWという新しいフレームワークを提案する。 具体的には、従来提案されていた項目に対するユーザエージェントのフィードバックを分析して、ユーザの好みに対する理解を深める。 この反復的精錬プロセスは、レコメンデーションエージェントとユーザエージェントの両方の推論能力を高め、より正確なレコメンデーションを可能にする。
  論文  参考訳（メタデータ） (2024-10-26T00:51:39Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)
• Affordable Generative Agents [16.372072265248192]
  AGA(Affordable Generative Agents)は、エージェント環境とエージェント間の両方のレベルで、信頼性と低コストのインタラクションの生成を可能にするフレームワークである。 私たちのコードは、https://github.com/AffordableGenerative-Agents/Affordable-Generative-Agentsで公開されています。
  論文  参考訳（メタデータ） (2024-02-03T06:16:28Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  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)
• 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。