論文の概要: A Survey of Large Language Model Empowered Agents for Recommendation and Search: Towards Next-Generation Information Retrieval

• arxiv url: http://arxiv.org/abs/2503.05659v2
• Date: Fri, 11 Apr 2025 16:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 20:10:38.966588
• Title: A Survey of Large Language Model Empowered Agents for Recommendation and Search: Towards Next-Generation Information Retrieval
• Title（参考訳）: 推薦検索のための大規模言語モデルを活用したエージェントの探索:次世代情報検索に向けて
• Authors: Yu Zhang, Shutong Qiao, Jiaqi Zhang, Tzu-Heng Lin, Chen Gao, Yong Li,
• Abstract要約: 大規模言語モデル(LLM)は、様々な言語関連タスクにおいて、人間のパフォーマンスを上回る能力を示している。 本稿では,レコメンデータとサーチシステムを強化するLLMエージェントの変換可能性について検討する。 我々は、レコメンデーションと検索における現在の課題に対処するLLMエージェントの潜在可能性を強調した。
• 参考スコア（独自算出の注目度）: 26.797683195019246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information technology has profoundly altered the way humans interact with information. The vast amount of content created, shared, and disseminated online has made it increasingly difficult to access relevant information. Over the past two decades, recommender systems and search (collectively referred to as information retrieval systems) have evolved significantly to address these challenges. Recent advances in large language models (LLMs) have demonstrated capabilities that surpass human performance in various language-related tasks and exhibit general understanding, reasoning, and decision-making abilities. This paper explores the transformative potential of LLM agents in enhancing recommender and search systems. We discuss the motivations and roles of LLM agents, and establish a classification framework to elaborate on the existing research. We highlight the immense potential of LLM agents in addressing current challenges in recommendation and search, providing insights into future research directions. This paper is the first to systematically review and classify the research on LLM agents in these domains, offering a novel perspective on leveraging this advanced AI technology for information retrieval. To help understand the existing works, we list the existing papers on LLM agent based recommendation and search at this link: https://github.com/tsinghua-fib-lab/LLM-Agent-for-Recommendation-and-Search.
• Abstract（参考訳）: 情報技術は、人間が情報と対話する方法を大きく変えた。 オンラインで作成、共有、配布される大量のコンテンツは、関連情報へのアクセスをますます困難にしている。 過去20年間で、情報検索システムと呼ばれるレコメンダシステムと検索は、これらの課題に対処するために大きく進化してきた。 大規模言語モデル(LLM)の最近の進歩は、様々な言語関連タスクにおいて人間のパフォーマンスを上回る能力を示し、一般的な理解、推論、意思決定能力を示す。 本稿では,レコメンデータとサーチシステムを強化するLLMエージェントの変換可能性について検討する。 LLMエージェントのモチベーションと役割について論じ,既存の研究を詳述する分類枠組みを確立する。 我々は、LLMエージェントが推奨と検索における現在の課題に対処し、将来の研究方向性に関する洞察を提供する上で、大きな可能性を強調する。 本稿では,これらの領域におけるLSMエージェントの研究を体系的にレビューし,分類し,この高度なAI技術を情報検索に活用するための新たな視点を提供する。 既存の作業を理解するために、LLMエージェントベースのレコメンデーションと検索に関する既存の論文をこのリンクでリストアップする。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Navigating the Knowledge Sea: Planet-scale answer retrieval using LLMs [0.0]
  情報検索は、技術と技術の継続的な改良によって特徴づけられる。 本稿では,従来の探索手法と解答の新たなパラダイムとのギャップを埋める上で,Large Language Models (LLMs) の役割に焦点を当てる。
  論文  参考訳（メタデータ） (2024-02-07T23:39:40Z)
• Large Language Models for Generative Information Extraction: A Survey [89.71273968283616]
  大規模言語モデル(LLM)は、テキスト理解と生成において顕著な能力を示した。 各種IEサブタスクと技術の観点から,これらの作品を分類して概観する。 我々は,最も先進的な手法を実証的に分析し,LLMによるIEタスクの出現傾向を明らかにする。
  論文  参考訳（メタデータ） (2023-12-29T14:25:22Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• 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)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• Deep Transfer Learning & Beyond: Transformer Language Models in Information Systems Research [0.913755431537592]
  トランスフォーマー言語モデル(TLM)を含む自然言語処理の最近の進歩は、AI駆動型ビジネスと社会変革の潜在的な道を提供する。 本稿は、IS研究がこれらの新技術にどのような恩恵をもたらすかを概観する上で、最近の研究動向と、上位IS誌のテキストマイニングを活用した最近の文献を概観する。
  論文  参考訳（メタデータ） (2021-10-18T02:01:39Z)

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。