論文の概要: MAS4POI: a Multi-Agents Collaboration System for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2409.13700v1
• Date: Thu, 5 Sep 2024 02:47:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 05:57:35.255202
• Title: MAS4POI: a Multi-Agents Collaboration System for Next POI Recommendation
• Title（参考訳）: 次世代POI勧告のための多エージェント協調システムMAS4POI
• Authors: Yuqian Wu, Yuhong Peng, Jiapeng Yu, Raymond S. T. Lee,
• Abstract要約: 本稿では,マルチエージェントインタラクションを通じて,次のPOI(Point-of-Interest)レコメンデーションを強化するための新しいMAS4POIシステムを提案する。 MAS4POIは、DataAgent、Man Manager、Analyst、Navigatorといった異なるエージェントに特化したLarge Language Models (LLM)をサポートしている。
• 参考スコア（独自算出の注目度）: 1.949927790632678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based Multi-Agent Systems have potential benefits of complex decision-making tasks management across various domains but their applications in the next Point-of-Interest (POI) recommendation remain underexplored. This paper proposes a novel MAS4POI system designed to enhance next POI recommendations through multi-agent interactions. MAS4POI supports Large Language Models (LLMs) specializing in distinct agents such as DataAgent, Manager, Analyst, and Navigator with each contributes to a collaborative process of generating the next POI recommendations.The system is examined by integrating six distinct LLMs and evaluated by two real-world datasets for recommendation accuracy improvement in real-world scenarios. Our code is available at https://github.com/yuqian2003/MAS4POI.
• Abstract（参考訳）: LLMベースのMulti-Agent Systemsは、様々な領域にわたる複雑な意思決定タスク管理の潜在的な利点があるが、次のPOI(Point-of-Interest)レコメンデーションにおけるそれらの応用は未検討のままである。 本稿では,マルチエージェントインタラクションによる次世代POIレコメンデーションの強化を目的としたMAS4POIシステムを提案する。 MAS4POIは,DataAgent, Manager, Analyst, Navigatorなどの異なるエージェントに特化した大規模言語モデル(LLM)をサポートし,次のPOIレコメンデーションを生成するコラボレーティブなプロセスに寄与する。本システムは6つの異なるLLMを統合し,現実のシナリオにおける推奨精度向上のために2つの実世界のデータセットによって評価される。 私たちのコードはhttps://github.com/yuqian2003/MAS4POIで利用可能です。

関連論文リスト

• Personalized Recommendation Systems using Multimodal, Autonomous, Multi Agent Systems [0.6629765271909505]
  本稿では,マルチモーダル,自律型,マルチエージェントシステムを用いた高度に開発されたパーソナライズされたレコメンデーションシステムについて述べる。 このシステムは、未来的なAI技術と、顧客サービス体験を改善するためにGemini-1.5- ProやLLaMA-70BのようなLLMを取り入れることに焦点を当てている。
  論文  参考訳（メタデータ） (2024-10-22T14:11:26Z)
• Multi-Scenario Combination Based on Multi-Agent Reinforcement Learning to Optimize the Advertising Recommendation System [38.501423778989704]
  本稿では,異なるシナリオを共通の目的の下で整列するマルチエージェント・リカレント決定性ポリシー勾配(MARDPG)アルゴリズムを提案する。 その結果,クリックスルー率 (CTR) , コンバージョン率, 総売上など, 指標の大幅な改善が見られた。
  論文  参考訳（メタデータ） (2024-07-03T02:33:20Z)
• PLAYER*: Enhancing LLM-based Multi-Agent Communication and Interaction in Murder Mystery Games [18.383262467079078]
  PLAYER*は,任意のサンプリングベースプランナと質問駆動検索フレームワークを用いて,Murder Mystery Games(MMG)のパス計画を強化する。 エージェントに一連のセンサーを装備することで、PLAYER*は事前に定義された質問を不要にし、エージェントが複雑な社会的相互作用をナビゲートすることを可能にする。 また,複数問合せを用いた定量評価手法を導入し,1,482問問問答対を含むデータセットWellPlayを提案する。
  論文  参考訳（メタデータ） (2024-04-26T19:07:30Z)
• 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)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Multimodal Recommender Systems: A Survey [50.23505070348051]
  マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。 本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。 実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
  論文  参考訳（メタデータ） (2023-02-08T05:12:54Z)
• Learning From Good Trajectories in Offline Multi-Agent Reinforcement Learning [98.07495732562654]
  オフラインマルチエージェント強化学習(MARL)は、事前コンパイルされたデータセットから効果的なマルチエージェントポリシーを学ぶことを目的としている。 オフラインのMARLが学んだエージェントは、しばしばこのランダムなポリシーを継承し、チーム全体のパフォーマンスを脅かす。 この問題に対処するために,共有個人軌道(SIT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:11:26Z)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)
• Privacy-Preserving Multi-Target Multi-Domain Recommender Systems with Assisted AutoEncoders [34.24028216079336]
  MTMDR(Multi-Target Multi-Domain Recommender Systems)は、複数のドメインにおけるレコメンデーション性能を同時に向上することを目的としている。 本研究では,AAE(Assisted Auto Encoders)とMulti-Target Assisted Learning(MTAL)に基づくMTMDRを提案する。 AAEは、明示的あるいは暗黙的なフィードバック、ユーザまたはアイテムベースのアライメント、およびサイド情報の有無を許可するので、幅広いアプリケーション範囲を持っています。
  論文  参考訳（メタデータ） (2021-10-26T00:48:23Z)
• The Surprising Effectiveness of MAPPO in Cooperative, Multi-Agent Games [67.47961797770249]
  マルチエージェントPPO(MAPPO)は、集中型値関数を採用するマルチエージェントPPOバリアントである。 MAPPOは,3つの一般的なマルチエージェントテストベッドにおいて,最先端技術に匹敵する性能を実現していることを示す。
  論文  参考訳（メタデータ） (2021-03-02T18:59:56Z)

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。