論文の概要: MATCHA: Can Multi-Agent Collaboration Build a Trustworthy Conversational Recommender?

• arxiv url: http://arxiv.org/abs/2504.20094v1
• Date: Sat, 26 Apr 2025 00:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.581627
• Title: MATCHA: Can Multi-Agent Collaboration Build a Trustworthy Conversational Recommender?
• Title（参考訳）: MATCHA: マルチエージェントコラボレーションは信頼できる会話レコメンデーションを構築することができるか?
• Authors: Zheng Hui, Xiaokai Wei, Yexi Jiang, Kevin Gao, Chen Wang, Frank Ong, Se-eun Yoon, Rachit Pareek, Michelle Gong,
• Abstract要約: 会話レコメンデーションシステムのためのマルチエージェント協調フレームワークMATCHAを提案する。 ユーザーは自由形式のテキストでレコメンデーションをリクエストでき、興味や好み、制約に応じてキュレートされたリストを受け取ることができる。 本システムでは,意図分析,候補生成,ランク付け,再ランク付け,説明可能性,安全のための特殊エージェントを導入している。
• 参考スコア（独自算出の注目度）: 8.392396674816638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a multi-agent collaboration framework called MATCHA for conversational recommendation system, leveraging large language models (LLMs) to enhance personalization and user engagement. Users can request recommendations via free-form text and receive curated lists aligned with their interests, preferences, and constraints. Our system introduces specialized agents for intent analysis, candidate generation, ranking, re-ranking, explainability, and safeguards. These agents collaboratively improve recommendations accuracy, diversity, and safety. On eight metrics, our model achieves superior or comparable performance to the current state-of-the-art. Through comparisons with six baseline models, our approach addresses key challenges in conversational recommendation systems for game recommendations, including: (1) handling complex, user-specific requests, (2) enhancing personalization through multi-agent collaboration, (3) empirical evaluation and deployment, and (4) ensuring safe and trustworthy interactions.
• Abstract（参考訳）: 本稿では,対話型レコメンデーションシステムのためのMATCHAというマルチエージェント協調フレームワークを提案し,大きな言語モデル(LLM)を活用してパーソナライズとユーザエンゲージメントを向上させる。 ユーザーは自由形式のテキストでレコメンデーションをリクエストでき、興味や好み、制約に応じてキュレートされたリストを受け取ることができる。 本システムでは,意図分析,候補生成,ランク付け,再ランク付け,説明可能性,安全のための特殊エージェントを導入している。 これらのエージェントは、リコメンデーションの正確性、多様性、安全性を共同で改善する。 8つのメトリクスで、我々のモデルは現在の最先端技術よりも優れた、または同等のパフォーマンスを達成します。 ゲームレコメンデーションでは,(1)複雑でユーザ固有の要求の処理,(2)マルチエージェントコラボレーションによるパーソナライゼーションの強化,(3)経験的評価と展開,(4)安全で信頼性の高いインタラクションの確保など,6つのベースラインモデルとの比較を通じて重要な課題に対処する。

関連論文リスト

• Dynamic Evaluation Framework for Personalized and Trustworthy Agents: A Multi-Session Approach to Preference Adaptability [10.443994990138973]
  我々は、パーソナライズされた適応的なエージェントを評価するパラダイムシフトについて論じる。 本稿では,ユニークな属性と好みを持つユーザペルソナをモデル化する包括的新しいフレームワークを提案する。 私たちのフレキシブルなフレームワークは、さまざまなエージェントやアプリケーションをサポートし、レコメンデーション戦略の包括的で汎用的な評価を保証するように設計されています。
  論文  参考訳（メタデータ） (2025-03-08T22:50:26Z)
• 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)
• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成的レコメンデーションを結合的なフレームワークに統合する、新しいEnd-to-End Generative Recommenderである。 ETEGRecはデュアルエンコーダ-デコーダアーキテクチャ上に構築されており、アイテムトークン化器と生成推奨器で構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
  本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。 我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。 我々の戦略は、最先端のライバル数社を上回っている。
  論文  参考訳（メタデータ） (2024-08-07T13:48:24Z)
• 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)
• 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)
• Multimodal Recommendation Dialog with Subjective Preference: A New Challenge and Benchmark [38.613625892808706]
  本稿では,SURE (Multimodal Recommendation Dialog with SUbjective Preference)を提案する。 データは、品質と多様性を保証するために、人間のアノテーションで2つのフェーズで構築されます。 SUREは、営業専門家が提案する主観的嗜好と推奨行為によく言及されている。
  論文  参考訳（メタデータ） (2023-05-26T08:43:46Z)
• Aligning Recommendation and Conversation via Dual Imitation [56.236932446280825]
  提案するDICR(Dual Imitation for Conversational Recommendation)は,リコメンデーションパスとユーザ関心シフトパスを明確に整合させる2つの模倣を設計する。 アライメント信号の交換により、DICRはレコメンデーションと会話モジュール間の双方向のプロモーションを実現する。 実験により、DICRは推奨と会話のパフォーマンスに関する最先端モデルよりも、自動的、人的、斬新な説明可能性の指標の方が優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-05T08:13:46Z)
• INSPIRED: Toward Sociable Recommendation Dialog Systems [51.1063713492648]
  レコメンデーションダイアログでは、人間は通常自分の好みを開示し、友好的な方法でレコメンデーションを行う。 本稿では,映画レコメンデーションのための1,001人の人間-人間ダイアログのデータセットを提案する。 分析の結果,個人意見の共有や励ましとのコミュニケーションといった社会的レコメンデーション戦略が,より頻繁に実施されることが示唆された。
  論文  参考訳（メタデータ） (2020-09-29T21:03:44Z)
• A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
  ベイズ的アプローチに基づく会話推薦システムを提案する。 エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
  論文  参考訳（メタデータ） (2020-02-12T15:59:31Z)

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。