論文の概要: FLOW: A Feedback LOop FrameWork for Simultaneously Enhancing Recommendation and User Agents

• arxiv url: http://arxiv.org/abs/2410.20027v1
• Date: Sat, 26 Oct 2024 00:51:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:21:36.782739
• Title: FLOW: A Feedback LOop FrameWork for Simultaneously Enhancing Recommendation and User Agents
• Title（参考訳）: FLOW:リコメンデーションとユーザエージェントの同時促進のためのフィードバックループフレームワーク
• Authors: Shihao Cai, Jizhi Zhang, Keqin Bao, Chongming Gao, Fuli Feng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.25107058257086
• License:
• Abstract: Agents powered by large language models have shown remarkable reasoning and execution capabilities, attracting researchers to explore their potential in the recommendation domain. Previous studies have primarily focused on enhancing the capabilities of either recommendation agents or user agents independently, but have not considered the interaction and collaboration between recommendation agents and user agents. To address this gap, we propose a novel framework named FLOW, which achieves collaboration between the recommendation agent and the user agent by introducing a feedback loop. Specifically, the recommendation agent refines its understanding of the user's preferences by analyzing the user agent's feedback on previously suggested items, while the user agent leverages suggested items to uncover deeper insights into the user's latent interests. This iterative refinement process enhances the reasoning capabilities of both the recommendation agent and the user agent, enabling more precise recommendations and a more accurate simulation of user behavior. To demonstrate the effectiveness of the feedback loop, we evaluate both recommendation performance and user simulation performance on three widely used recommendation domain datasets. The experimental results indicate that the feedback loop can simultaneously improve the performance of both the recommendation and user agents.
• Abstract（参考訳）: 大規模言語モデルを利用したエージェントは、驚くべき推論と実行能力を示し、研究者がレコメンデーション領域におけるその可能性を探る機会を惹きつけている。 これまでの研究は、主にレコメンデーションエージェントまたはユーザエージェントの能力の向上に重点を置いてきたが、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相互作用やコラボレーションは検討されていない。 このギャップに対処するために,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、提案し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、ユーザの嗜好に対する理解を深める一方、ユーザエージェントは提案した項目を活用して、ユーザの潜伏する関心に対する深い洞察を明らかにする。 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とより正確なユーザ動作シミュレーションを可能にする。 フィードバックループの有効性を示すために,3つの広く使用されている推薦ドメインデータセットに対して,推薦性能とユーザシミュレーション性能を評価した。 実験の結果,フィードバックループはレコメンデーションとユーザエージェントの両方のパフォーマンスを同時に改善できることがわかった。

関連論文リスト

• Prospect Personalized Recommendation on Large Language Model-based Agent Platform [71.73768586184404]
  本稿では,エージェントアイテムとエージェントレコメンダで構成されるRec4Agentverseという新しいレコメンデーションパラダイムを紹介する。 Rec4AgentverseはAgentItemsとAgent Recommenderのコラボレーションを強調し、パーソナライズされた情報サービスを促進する。 Rec4Agentverseのいくつかの症例に関する予備研究は、その応用の可能性を検証する。
  論文  参考訳（メタデータ） (2024-02-28T11:12:17Z)
• MACRec: a Multi-Agent Collaboration Framework for Recommendation [21.425320819792912]
  マルチエージェントコラボレーションによるレコメンデーションシステムを強化するための新しいフレームワークであるMACRecを紹介する。 ユーザ/イテムシミュレーションにエージェントを使用する既存の作業とは異なり、マルチエージェントをデプロイしてレコメンデーションタスクに直接取り組もうとしている。 本稿では、評価予測、逐次レコメンデーション、会話レコメンデーション、レコメンデーション結果の説明生成など、様々なレコメンデーションタスクで開発者がMACRecを簡単に利用できるアプリケーションの例を示す。
  論文  参考訳（メタデータ） (2024-02-23T09:57:20Z)
• Interactive Garment Recommendation with User in the Loop [77.35411131350833]
  我々は,服を作るために補完的なアイテムを推奨するので,ユーザ反応を統合することでユーザプロファイルをその場で構築することを提案する。 本稿では,適切な衣服を提案し,ユーザのフィードバックを取り入れて推薦を改善することができる強化学習エージェントを提案する。
  論文  参考訳（メタデータ） (2024-02-18T16:01:28Z)
• 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)
• 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)
• 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)
• Learning from Negative User Feedback and Measuring Responsiveness for Sequential Recommenders [13.762960304406016]
  シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。 大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-23T17:16:07Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning [0.3058685580689604]
  本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。 提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
  論文  参考訳（メタデータ） (2021-10-28T13:11:29Z)
• Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities [34.288256311920904]
  我々は,ユーザユーティリティの目的と,推奨コンテンツに関連するプロバイダの反事実的ユーティリティリフトを最適化するために,強化推奨エージェントecoagent(ecoagent)を構築した。 私たちは、我々のアプローチの利点と限界の両方に光を当てるシミュレーション実験をいくつか提供します。
  論文  参考訳（メタデータ） (2021-05-06T00:02:58Z)

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。