論文の概要: On Generative Agents in Recommendation
- arxiv url: http://arxiv.org/abs/2310.10108v1
- Date: Mon, 16 Oct 2023 06:41:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 16:10:33.735675
- Title: On Generative Agents in Recommendation
- Title(参考訳): 勧告作成エージェントについて
- Authors: An Zhang, Leheng Sheng, Yuxin Chen, Hao Li, Yang Deng, Xiang Wang,
Tat-Seng Chua
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 65.52796348055281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems are the cornerstone of today's information dissemination,
yet a disconnect between offline metrics and online performance greatly hinders
their development. Addressing this challenge, we envision a recommendation
simulator, capitalizing on recent breakthroughs in human-level intelligence
exhibited by Large Language Models (LLMs). We propose Agent4Rec, a novel movie
recommendation simulator, leveraging LLM-empowered generative agents equipped
with user profile, memory, and actions modules specifically tailored for the
recommender system. In particular, these agents' profile modules are
initialized using the MovieLens dataset, capturing users' unique tastes and
social traits; memory modules log both factual and emotional memories and are
integrated with an emotion-driven reflection mechanism; action modules support
a wide variety of behaviors, spanning both taste-driven and emotion-driven
actions. Each agent interacts with personalized movie recommendations in a
page-by-page manner, relying on a pre-implemented collaborative filtering-based
recommendation algorithm. We delve into both the capabilities and limitations
of Agent4Rec, aiming to explore an essential research question: to what extent
can LLM-empowered generative agents faithfully simulate the behavior of real,
autonomous humans in recommender systems? Extensive and multi-faceted
evaluations of Agent4Rec highlight both the alignment and deviation between
agents and user-personalized preferences. Beyond mere performance comparison,
we explore insightful experiments, such as emulating the filter bubble effect
and discovering the underlying causal relationships in recommendation tasks.
Our codes are available at https://github.com/LehengTHU/Agent4Rec.
- Abstract(参考訳): 今日の情報発信の基盤はレコメンダシステムだが、オフラインメトリクスとオンラインパフォーマンスの切り離しは、彼らの開発を著しく妨げている。
この課題に対処するため,我々は,Large Language Models (LLMs) による人間レベルのインテリジェンスにおける最近のブレークスルーを活かしたレコメンデーションシミュレータを構想する。
本稿では,レコメンデーションシステムに適した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LCMを利用した新規な映画レコメンデーションシミュレータであるAgent4Recを提案する。
特に、これらのエージェントのプロファイルモジュールは、movielensデータセットを使用して初期化され、ユーザのユニークな嗜好と社会的特性をキャプチャする;メモリモジュールは、事実的および感情的な記憶の両方をログし、感情駆動のリフレクションメカニズムに統合する;アクションモジュールは、味覚駆動と感情駆動の両方のアクションにまたがる、幅広い行動をサポートする。
各エージェントは、事前に実装されたコラボレーティブフィルタリングベースのレコメンデーションアルゴリズムに依存する、ページ毎のパーソナライズされた映画のレコメンデーションと対話する。
我々は agent4rec の能力と限界の両方を考察し、本質的な研究課題を探究することを目的としている: llm を組み込んだ生成エージェントは、レコメンダシステムにおける実際の自律的な人間の振る舞いを忠実にシミュレートできるだろうか?
Agent4Recの多面的および多面的評価は、エージェント間のアライメントと偏りとユーザ個人の好みの両方を強調している。
単なるパフォーマンス比較以外にも,フィルタバブル効果のエミュレートや推奨タスクの根本原因関係の発見など,洞察に富んだ実験を行っている。
私たちのコードはhttps://github.com/lehengthu/agent4recで利用可能です。
関連論文リスト
- Agent-Pro: Learning to Evolve via Policy-Level Reflection and
Optimization [55.29142200038241]
Agent-Proはポリシーレベルのリフレクションと最適化を備えたLLMベースのエージェントである。
過去の軌道と信念を反復的に反映し、より良い政策のために不合理な信念を微調整する。
Agent-Proは、BlackjackとTexas Hold'emの2つのゲームで評価され、バニラLLMと特殊モデルを上回っている。
論文 参考訳(メタデータ) (2024-02-27T15:09:20Z) - AgentCF: Collaborative Learning with Autonomous Language Agents for
Recommender Systems [112.76941157194544]
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。
論文 参考訳(メタデータ) (2023-10-13T16:37:14Z) - Recommender AI Agent: Integrating Large Language Models for Interactive
Recommendations [53.76682562935373]
我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。
InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
論文 参考訳(メタデータ) (2023-08-31T07:36:44Z) - Improving Sequential Query Recommendation with Immediate User Feedback [9.294562590924242]
本稿では,対話型データ探索設定における次のクエリレコメンデーションのためのアルゴリズムを提案する。
最先端のクエリレコメンデーションアルゴリズムは、シーケンスからシーケンスへの学習アプローチに基づいている。
人気のあるオンライン文献発見サービスからログファイルを用いて大規模な実験を行った。
論文 参考訳(メタデータ) (2022-05-12T18:19:24Z) - 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) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳(メタデータ) (2020-05-19T10:18:43Z)
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。