論文の概要: MAP: Multi-user Personalization with Collaborative LLM-powered Agents

• arxiv url: http://arxiv.org/abs/2503.12757v2
• Date: Tue, 18 Mar 2025 19:15:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 12:00:43.965867
• Title: MAP: Multi-user Personalization with Collaborative LLM-powered Agents
• Title（参考訳）: MAP:LLMエージェントを用いたマルチユーザパーソナライズ
• Authors: Christine Lee, Jihye Choi, Bilge Mutlu,
• Abstract要約: 本稿では,リフレクション,分析,フィードバックの3段階からなるマルチユーザパーソナライズのためのユーザ中心ワークフローを提案する。 textbfMulti-textbfAgent system for multi-user textbfPersonalization -- MAPはこのワークフローを運用する。 ユーザ調査では、MAPの有効性とコンフリクト解決のユーザビリティを強調しながら、解決の検証と失敗管理におけるユーザの関与の重要性を強調した。
• 参考スコア（独自算出の注目度）: 11.027068698393027
• License:
• Abstract: The widespread adoption of Large Language Models (LLMs) and LLM-powered agents in multi-user settings underscores the need for reliable, usable methods to accommodate diverse preferences and resolve conflicting directives. Drawing on conflict resolution theory, we introduce a user-centered workflow for multi-user personalization comprising three stages: Reflection, Analysis, and Feedback. We then present MAP -- a \textbf{M}ulti-\textbf{A}gent system for multi-user \textbf{P}ersonalization -- to operationalize this workflow. By delegating subtasks to specialized agents, MAP (1) retrieves and reflects on relevant user information, while enhancing reliability through agent-to-agent interactions, (2) provides detailed analysis for improved transparency and usability, and (3) integrates user feedback to iteratively refine results. Our user study findings (n=12) highlight MAP's effectiveness and usability for conflict resolution while emphasizing the importance of user involvement in resolution verification and failure management. This work highlights the potential of multi-agent systems to implement user-centered, multi-user personalization workflows and concludes by offering insights for personalization in multi-user contexts.
• Abstract（参考訳）: マルチユーザ設定におけるLLM(Large Language Models)とLLM(Large Language Models)エージェントの広範な採用は、多様な好みに適合し、矛盾するディレクティブを解決するための信頼性と使用可能な方法の必要性を浮き彫りにしている。 コンフリクト解決理論に基づいて、リフレクション、分析、フィードバックの3段階からなるマルチユーザパーソナライズのためのユーザ中心ワークフローを導入する。 次に、マルチユーザ \textbf{P}ersonalization のための MAP - a \textbf{M}ulti-\textbf{A}gent システムを提示し、このワークフローを運用する。 特殊なエージェントにサブタスクを委譲することで,MAP(1)は関連するユーザ情報を検索・反映し,エージェントとエージェントのインタラクションによる信頼性の向上,(2)透明性とユーザビリティの向上のための詳細な分析,(3)ユーザフィードバックを反復的に改善する。 ユーザ調査の結果(n=12)は、MAPの有効性と競合解決のユーザビリティを強調しつつ、解決の検証と失敗管理におけるユーザの関与の重要性を強調した。 この研究は、ユーザ中心のマルチユーザパーソナライズワークフローを実装するマルチエージェントシステムの可能性を強調し、マルチユーザコンテキストにおけるパーソナライズのための洞察を提供することで結論付ける。

関連論文リスト

• Collaborative Knowledge Fusion: A Novel Approach for Multi-task Recommender Systems via LLMs [18.064625844702206]
  我々は、パーソナライズされた協調的知識融合を通じてマルチタスクレコメンデーションを促進する、CKFと呼ばれる新しいフレームワークを導入する。 多様なレコメンデーションタスクの内在的関係を明らかにするために,マルチタスク最適化のためのパラメータ効率の高い新しいアプローチであるMulti-Loraを開発した。
  論文  参考訳（メタデータ） (2024-10-28T00:38:06Z)
• Aligning LLMs with Individual Preferences via Interaction [51.72200436159636]
  調整可能な大きな言語モデル(LLM)をトレーニングします。 木構造における3K以上の多ターン会話を含む多ターン嗜好データセットを開発した。 評価のために、慎重に選択された100のサンプルと、会話中にカスタマイズされたアライメント性能を測定するために適切に設計されたメトリクスからなるALOEベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-10-04T17:48:29Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• Integrating Multi-view Analysis: Multi-view Mixture-of-Expert for Textual Personality Detection [17.9947364868881]
  テキスト・パーソナリティ検出は、ユーザ生成コンテンツを分析して人格の特徴を識別することを目的としている。 これまでの研究では、複数の視点から情報を自動的に抽出し、効果的に統合することに苦労してきた。 テキスト・パーソナリティ検出のためのマルチビュー・ミックス・オブ・エクササイズ・モデル(MvP)を提案する。
  論文  参考訳（メタデータ） (2024-08-16T06:35:31Z)
• Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
  我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。 我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。 我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
  論文  参考訳（メタデータ） (2024-03-15T20:21:31Z)
• 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)
• 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)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Toward Policy Explanations for Multi-Agent Reinforcement Learning [18.33682005623418]
  MARLのための2種類のポリシー記述を生成するための新しい手法を提案する。 3つのMARL領域の実験結果から,提案手法のスケーラビリティが実証された。 ユーザスタディでは、生成された説明がユーザパフォーマンスを著しく改善し、ユーザ満足度などの指標に対する主観的評価が向上することを示した。
  論文  参考訳（メタデータ） (2022-04-26T20:07:08Z)

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。