論文の概要: A Multi-Agent Conversational Recommender System
- arxiv url: http://arxiv.org/abs/2402.01135v1
- Date: Fri, 2 Feb 2024 04:20:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 16:49:28.590948
- Title: A Multi-Agent Conversational Recommender System
- Title(参考訳): マルチエージェント対話型推薦システム
- Authors: Jiabao Fang, Shen Gao, Pengjie Ren, Xiuying Chen, Suzan Verberne,
Zhaochun Ren
- Abstract要約: マルチエージェント対話型レコメンダシステム(MACRS)を提案する。
まず,4つのLCMエージェントをベースとした対話フローを制御可能なマルチエージェント行動計画フレームワークを設計する。
第2に,ユーザのフィードバックを生かしたユーザフィードバック対応のリフレクション機構を提案し,従来からある誤りを推論し,対話行動計画の調整を行う。
- 参考スコア(独自算出の注目度): 47.49330334611104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to strong capabilities in conducting fluent, multi-turn conversations
with users, Large Language Models (LLMs) have the potential to further improve
the performance of Conversational Recommender System (CRS). Unlike the aimless
chit-chat that LLM excels at, CRS has a clear target. So it is imperative to
control the dialogue flow in the LLM to successfully recommend appropriate
items to the users. Furthermore, user feedback in CRS can assist the system in
better modeling user preferences, which has been ignored by existing studies.
However, simply prompting LLM to conduct conversational recommendation cannot
address the above two key challenges.
In this paper, we propose Multi-Agent Conversational Recommender System
(MACRS) which contains two essential modules. First, we design a multi-agent
act planning framework, which can control the dialogue flow based on four
LLM-based agents. This cooperative multi-agent framework will generate various
candidate responses based on different dialogue acts and then choose the most
appropriate response as the system response, which can help MACRS plan suitable
dialogue acts. Second, we propose a user feedback-aware reflection mechanism
which leverages user feedback to reason errors made in previous turns to adjust
the dialogue act planning, and higher-level user information from implicit
semantics. We conduct extensive experiments based on user simulator to
demonstrate the effectiveness of MACRS in recommendation and user preferences
collection. Experimental results illustrate that MACRS demonstrates an
improvement in user interaction experience compared to directly using LLMs.
- Abstract(参考訳): ユーザとのフルーエントでマルチターンな会話を行う能力があるため、大規模な言語モデル(llm)は、会話レコメンデーションシステム(crs)のパフォーマンスをさらに向上させる可能性がある。
LLMが出力する目的のないチップチャットとは異なり、CRSは明確なターゲットを持つ。
そのため、LLM内の対話フローを制御し、適切な項目をユーザに推薦することが不可欠である。
さらに、CRSのユーザフィードバックは、既存の研究で無視されているユーザの好みをモデル化するのに役立つ。
しかし、LLMに会話レコメンデーションの実施を促すだけでは、上記の2つの課題に対処できない。
本稿では,2つの必須モジュールを含むマルチエージェント対話型推薦システム(macrs)を提案する。
まず,4つのLCMエージェントをベースとした対話フローを制御可能なマルチエージェント行動計画フレームワークを設計する。
この協調型マルチエージェントフレームワークは、異なる対話行動に基づいて様々な候補応答を生成し、次にシステム応答として最も適切な応答を選択し、MACRSが適切な対話行動を計画するのに役立つ。
第2に,ユーザのフィードバックを生かして,前の順番の誤りを推論し,対話行為計画の調整を行い,暗黙の意味から高レベルなユーザ情報を得る,ユーザフィードバック認識リフレクション機構を提案する。
本研究では,ユーザシミュレータに基づく大規模な実験を行い,MACRSのレコメンデーションおよびユーザ嗜好収集における有効性を示す。
実験結果から,MACRS は LLM を直接使用するよりもユーザインタラクションエクスペリエンスが向上していることが示された。
関連論文リスト
- Zero-Shot Goal-Directed Dialogue via RL on Imagined Conversations [70.7884839812069]
大規模言語モデル(LLM)は、多くの自然言語タスクに対する強力で一般的な解決策として登場した。
しかしながら、言語生成の最も重要なアプリケーションの多くは対話的であり、エージェントは望ましい結果に達するために相手と話し合わなければならない。
本研究では,そのような目標指向対話に対して,RLでLLMを適応させる新しい手法について検討する。
論文 参考訳(メタデータ) (2023-11-09T18:45:16Z) - Conversational Recommender System and Large Language Model Are Made for
Each Other in E-commerce Pre-sales Dialogue [83.54481405293951]
会話推薦システム(CRS)は、ユーザ表現を学習し、対話コンテキストに基づいて正確なレコメンデーションを提供するが、外部知識に依存している。
大規模言語モデル(LLM)は、微調整後の事前販売の対話を模倣する応答を生成するが、正確なレコメンデーションのためのドメイン固有の知識は欠如している。
本稿では,eコマース事前販売対話におけるLCMとCRSの組み合わせの有効性について検討する。
論文 参考訳(メタデータ) (2023-10-23T07:00:51Z) - A Large Language Model Enhanced Conversational Recommender System [25.18571087071163]
会話推薦システム(CRS)は,対話インタフェースを通じて高品質なアイテムをユーザに推薦することを目的としている。
効果的なCRSを開発するには,1)サブタスクを適切に管理する方法,2)異なるサブタスクを効果的に解決する方法,3)ユーザと対話するレスポンスを正しく生成する方法,といった課題がある。
近年、Large Language Models (LLMs) は、より強力なCRSを開発する新たな機会として、推論と生成の先例のない能力を示した。
論文 参考訳(メタデータ) (2023-08-11T16:30:44Z) - Unlocking the Potential of User Feedback: Leveraging Large Language
Model as User Simulator to Enhance Dialogue System [65.93577256431125]
本稿では,ユーザガイド応答最適化 (UGRO) という代替手法を提案し,タスク指向の対話モデルと組み合わせる。
このアプローチでは、アノテーションのないユーザシミュレータとしてLLMを使用して対話応答を評価し、より小型のエンドツーエンドTODモデルと組み合わせる。
提案手法は従来のSOTA(State-of-the-art)よりも優れている。
論文 参考訳(メタデータ) (2023-06-16T13:04:56Z) - Rethinking the Evaluation for Conversational Recommendation in the Era
of Large Language Models [115.7508325840751]
近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。
本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。
LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
論文 参考訳(メタデータ) (2023-05-22T15:12:43Z) - Leveraging Large Language Models in Conversational Recommender Systems [9.751217336860924]
Conversational Recommender System (CRS)は、リアルタイムのマルチターン対話を通じてシステムと対話できるようにすることにより、ユーザに対して透明性とコントロールを向上する。
大言語モデル(LLM)は、自然に会話し、世界知識と常識推論を言語理解に組み込むという前例のない能力を示した。
論文 参考訳(メタデータ) (2023-05-13T16:40:07Z) - Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender
System [11.404192885921498]
Chat-Recは会話レコメンデーションシステムを構築するための新しいパラダイムである。
Chat-Recは、ユーザの好みを学習し、ユーザと製品間の接続を確立するのに有効である。
実験では、Chat-Recはトップkレコメンデーションの結果を効果的に改善し、ゼロショット評価予測タスクでより良いパフォーマンスを発揮する。
論文 参考訳(メタデータ) (2023-03-25T17:37:43Z) - Customized Conversational Recommender Systems [45.84713970070487]
会話レコメンデータシステム(CRS)は、ユーザの現在の意図を捉え、リアルタイムなマルチターン対話によるレコメンデーションを提供することを目的としている。
本稿では,3つの視点からCRSモデルをカスタマイズした新しいCRSモデルであるCustomized Conversational Recommender System(CCRS)を提案する。
パーソナライズされたレコメンデーションを提供するために,対話コンテキストからユーザの現在あるきめ細かい意図を,ユーザ固有の嗜好のガイダンスで抽出する。
論文 参考訳(メタデータ) (2022-06-30T09:45:36Z) - Towards Unified Conversational Recommender Systems via
Knowledge-Enhanced Prompt Learning [89.64215566478931]
会話レコメンデータシステム(CRS)は,ユーザの嗜好を積極的に取り入れ,自然言語会話を通じて高品質な項目を推薦することを目的としている。
効果的なCRSを開発するためには、2つのモジュールをシームレスに統合することが不可欠である。
知識強調学習に基づく統一CRSモデルUniCRSを提案する。
論文 参考訳(メタデータ) (2022-06-19T09:21:27Z)
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。