論文の概要: Beyond Static Testbeds: An Interaction-Centric Agent Simulation Platform for Dynamic Recommender Systems
- arxiv url: http://arxiv.org/abs/2505.16429v1
- Date: Thu, 22 May 2025 09:14:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-23 17:12:48.183686
- Title: Beyond Static Testbeds: An Interaction-Centric Agent Simulation Platform for Dynamic Recommender Systems
- Title（参考訳）: Beyond Static Testbeds: 動的リコメンダシステムのためのインタラクション中心エージェントシミュレーションプラットフォーム
- Authors: Song Jin, Juntian Zhang, Yuhan Liu, Xun Zhang, Yufei Zhang, Guojun Yin, Fei Jiang, Wei Lin, Rui Yan,
- Abstract要約: RecInterは、リコメンダシステムのための新しいエージェントベースのシミュレーションプラットフォームである。
RecInterでは、ユーザーアクション(例えば、レビュー、購入など)をリアルタイムで動的に更新する。
Merchant Agentsは、より現実的で進化したエコシステムを育むことができる。
- 参考スコア（独自算出の注目度）: 40.09105175322562
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Evaluating and iterating upon recommender systems is crucial, yet traditional A/B testing is resource-intensive, and offline methods struggle with dynamic user-platform interactions. While agent-based simulation is promising, existing platforms often lack a mechanism for user actions to dynamically reshape the environment. To bridge this gap, we introduce RecInter, a novel agent-based simulation platform for recommender systems featuring a robust interaction mechanism. In RecInter platform, simulated user actions (e.g., likes, reviews, purchases) dynamically update item attributes in real-time, and introduced Merchant Agents can reply, fostering a more realistic and evolving ecosystem. High-fidelity simulation is ensured through Multidimensional User Profiling module, Advanced Agent Architecture, and LLM fine-tuned on Chain-of-Thought (CoT) enriched interaction data. Our platform achieves significantly improved simulation credibility and successfully replicates emergent phenomena like Brand Loyalty and the Matthew Effect. Experiments demonstrate that this interaction mechanism is pivotal for simulating realistic system evolution, establishing our platform as a credible testbed for recommender systems research.
- Abstract（参考訳）: 推奨システムの評価と反復は不可欠だが、従来のA/Bテストはリソース集約であり、オフラインメソッドは動的なユーザとプラットフォーム間のインタラクションに苦労する。
エージェントベースのシミュレーションは有望だが、既存のプラットフォームでは、ユーザーアクションが環境を動的に再構築するメカニズムが欠けていることが多い。
このギャップを埋めるために、ロバストな相互作用機構を備えたレコメンデータシステムのための新しいエージェントベースのシミュレーションプラットフォームRecInterを紹介する。
RecInterプラットフォームでは、ユーザーアクション(例えば、好み、レビュー、購入など)をシミュレートして、アイテム属性をリアルタイムで動的に更新する。
高忠実度シミュレーションは多次元ユーザプロファイリングモジュール、アドバンストエージェントアーキテクチャ、およびCoT(Chain-of-Thought)強化相互作用データに微調整されたLLMにより保証される。
我々のプラットフォームはシミュレーションの信頼性を大幅に向上させ、Brand LoyaltyやMatthew Effectのような創発的な現象を再現することに成功した。
実験により、この相互作用メカニズムは、現実的なシステムの進化をシミュレートするために重要であり、我々のプラットフォームをレコメンデーションシステム研究のための信頼できるテストベッドとして確立する。
関連論文リスト
- PUB: An LLM-Enhanced Personality-Driven User Behaviour Simulator for Recommender System Evaluation [9.841963696576546]
Personality-driven User Behaviour Simulator (PUB)は、パーソナライズされたユーザの振る舞いをモデル化するために、Big Fiveのパーソナリティ特性を統合している。
PUBは、行動ログ(例えば、評価、レビュー)とアイテムメタデータからユーザーの個性を動的に推論し、その後、実際のデータに対する統計的忠実性を保存するための合成相互作用を生成する。
Amazonレビューデータセットの実験では、PUBが生成したログは実際のユーザの行動と密接に一致し、パーソナリティ特性とレコメンデーション結果の間に有意義な関連性を明らかにする。
論文 参考訳（メタデータ） (2025-06-05T01:57:36Z) - GGBond: Growing Graph-Based AI-Agent Society for Socially-Aware Recommender Simulation [2.7083394633019973]
本研究では,ユーザの行動変化を現実的にシミュレートする高忠実な社会シミュレーションプラットフォームを提案する。
このシステムは、重要な心理的メカニズムをカプセル化した5層認知アーキテクチャを備えたSim-User Agentsの集団で構成されている。
特に、心理学的・社会学的理論に基づく近親感-好奇心-相反性--リスク(ICR2)のモチベーションエンジンについて紹介する。
論文 参考訳（メタデータ） (2025-05-27T13:09:21Z) - AgentDynEx: Nudging the Mechanics and Dynamics of Multi-Agent Simulations [12.492232195149661]
本稿では,AgentDynExを提案する。AgentDynExは,ユーザ特定力学とダイナミクスのシミュレーション構築を支援するAIシステムである。
ある技術的評価では、ヌードを使わずにシミュレーションがより複雑な力学を持ち、その顕著なダイナミクスを維持することができることがわかった。
論文 参考訳（メタデータ） (2025-04-13T17:26:35Z) - CreAgent: Towards Long-Term Evaluation of Recommender System under Platform-Creator Information Asymmetry [55.64992650205645]
大規模言語モデルを用いたクリエーターシミュレーションエージェントであるCreAgentを提案する。
ゲーム理論の信念機構と高速でスローな思考フレームワークを取り入れることで、CreAgentはクリエーターの振る舞いを効果的にシミュレートする。
私たちの信頼性検証実験は、CreAgentが現実世界のプラットフォームとクリエーターの行動とよく一致していることを示している。
論文 参考訳（メタデータ） (2025-02-11T07:09:49Z) - A Simulation System Towards Solving Societal-Scale Manipulation [14.799498804818333]
AIによる操作の台頭は、社会的信頼と民主的プロセスに重大なリスクをもたらす。
しかし、これらの効果を現実世界で大規模に研究することは倫理的にも論理的にも非現実的です。
この問題に対処するために設計されたシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2024-10-17T03:16:24Z) - Very Large-Scale Multi-Agent Simulation in AgentScope [112.98986800070581]
我々は,ユーザフレンドリーなマルチエージェントプラットフォームであるAgentScopeの新機能とコンポーネントを開発した。
高いスケーラビリティと高効率を実現するために,アクタをベースとした分散機構を提案する。
また、多数のエージェントを便利に監視し、管理するためのWebベースのインターフェースも提供します。
論文 参考訳（メタデータ） (2024-07-25T05:50:46Z) - 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) - INTAGS: Interactive Agent-Guided Simulation [4.04638613278729]
マルチエージェントシステム(MAS)を含む多くのアプリケーションでは、実稼働に先立って、実験的な(Exp)自律エージェントを高忠実度シミュレータでテストすることが必須である。
本稿では,ExpエージェントとBGエージェントのライブインタラクションによって評価される実システムと合成マルチエージェントシステムとを区別する指標を提案する。
InTAGSを用いてシミュレータのキャリブレーションを行い、現状のWasserstein Generative Adversarial Networkアプローチと比較して、より現実的な市場データを生成することができることを示す。
論文 参考訳（メタデータ） (2023-09-04T19:56:18Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳（メタデータ） (2023-06-05T02:58:35Z) - Realistic simulation of users for IT systems in cyber ranges [63.20765930558542]
ユーザアクティビティを生成するために,外部エージェントを用いて各マシンを計測する。
このエージェントは、決定論的および深層学習に基づく手法を組み合わせて、異なる環境に適応する。
また,会話や文書の作成を容易にする条件付きテキスト生成モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T10:53:29Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Data-Driven Simulation of Ride-Hailing Services using Imitation and
Reinforcement Learning [1.5293427903448025]
本稿では,配車サービスにおけるユーザ,特にドライバの振る舞いを模倣し,予測する枠組みを提案する。
データ駆動型ハイブリッド強化学習と模倣学習アプローチを使っています。
私たちのフレームワークは、配車プラットフォームがプラットフォーム固有のパラメータを実験してドライバーの行動パターンを予測するための理想的な遊び場を提供します。
論文 参考訳（メタデータ） (2021-04-06T16:49:26Z)
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。