論文の概要: Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent

• arxiv url: http://arxiv.org/abs/2506.23485v1
• Date: Mon, 30 Jun 2025 03:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.90466
• Title: Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent
• Title（参考訳）: LLMを用いた対話型レコメンダエージェントの思考強化計画
• Authors: Haocheng Yu, Yaxiong Wu, Hao Wang, Wei Guo, Yong Liu, Yawen Li, Yuyang Ye, Junping Du, Enhong Chen,
• Abstract要約: 本稿では,蒸留した思考パターンを通じて複雑なユーザ意図に対処する,思考増強型対話型推薦エージェントシステム(TAIRA)を提案する。 具体的には、ユーザニーズを分解し、サブタスクを計画することでレコメンデーションタスクを編成するマネージャエージェントを備えたLLM方式のマルチエージェントシステムとして設計されている。 複数のデータセットにまたがる包括的な実験により、IRAは既存の手法に比べて大幅に性能が向上した。
• 参考スコア（独自算出の注目度）: 56.61028117645315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive recommendation is a typical information-seeking task that allows users to interactively express their needs through natural language and obtain personalized recommendations. Large language model-powered (LLM-powered) agents have become a new paradigm in interactive recommendations, effectively capturing users' real-time needs and enhancing personalized experiences. However, due to limited planning and generalization capabilities, existing formulations of LLM-powered interactive recommender agents struggle to effectively address diverse and complex user intents, such as intuitive, unrefined, or occasionally ambiguous requests. To tackle this challenge, we propose a novel thought-augmented interactive recommender agent system (TAIRA) that addresses complex user intents through distilled thought patterns. Specifically, TAIRA is designed as an LLM-powered multi-agent system featuring a manager agent that orchestrates recommendation tasks by decomposing user needs and planning subtasks, with its planning capacity strengthened through Thought Pattern Distillation (TPD), a thought-augmentation method that extracts high-level thoughts from the agent's and human experts' experiences. Moreover, we designed a set of user simulation schemes to generate personalized queries of different difficulties and evaluate the recommendations based on specific datasets. Through comprehensive experiments conducted across multiple datasets, TAIRA exhibits significantly enhanced performance compared to existing methods. Notably, TAIRA shows a greater advantage on more challenging tasks while generalizing effectively on novel tasks, further validating its superiority in managing complex user intents within interactive recommendation systems. The code is publicly available at:https://github.com/Alcein/TAIRA.
• Abstract（参考訳）: インタラクティブなレコメンデーションは、ユーザが自然言語で対話的にニーズを表現し、パーソナライズされたレコメンデーションを得ることができる典型的な情報検索タスクである。 大規模言語モデル(LLM)エージェントはインタラクティブなレコメンデーションにおいて新たなパラダイムとなり、ユーザのリアルタイムニーズを効果的に捉え、パーソナライズされたエクスペリエンスを向上している。 しかし、計画や一般化能力の制限により、LLMを利用した対話型推薦エージェントの既存の定式化は、直感的、未解決、時にはあいまいな要求など、多種多様な複雑なユーザ意図に効果的に対処するのに苦労する。 この課題に対処するために、蒸留された思考パターンを通して複雑なユーザ意図に対処する、思考増強型対話型推薦エージェントシステム(TAIRA)を提案する。 具体的には、ユーザニーズを分解し、サブタスクを計画することでレコメンデーションタスクを編成する管理者エージェントを特徴とするLLM方式のマルチエージェントシステムとして設計されており、そのプランニング能力は、エージェントや人間の専門家の経験から高レベルの思考を抽出する思考拡張手法である思考パターン蒸留(TPD)を通じて強化されている。 さらに、異なる難問のパーソナライズされたクエリを生成し、特定のデータセットに基づいてレコメンデーションを評価するための、一連のユーザシミュレーションスキームを設計した。 複数のデータセットにまたがる包括的な実験により、IRAは既存の手法に比べて大幅に性能が向上した。 特に,対話型レコメンデーションシステムにおける複雑なユーザ意図の管理において,その優位性を検証するとともに,新しいタスクを効果的に一般化する上で,より困難なタスクに対して大きな優位性を示す。 コードは、https://github.com/Alcein/TAIRA.comで公開されている。

関連論文リスト

• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• HistLLM: A Unified Framework for LLM-Based Multimodal Recommendation with User History Encoding and Compression [33.34435467588446]
  HistLLMは、ユーザ履歴を通じてテキストと視覚機能を統合する革新的なフレームワークである。 モジュール (UHEM) は、ユーザ履歴のインタラクションを単一のトークン表現に圧縮する。 提案手法の有効性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-04-14T12:01:11Z)
• 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)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• PeaPOD: Personalized Prompt Distillation for Generative Recommendation [11.27949757550442]
  本稿では,PErson Alized PrOmpt Distillation (PeaPOD)アプローチを提案する。 現実世界におけるユーザの嗜好の複雑さを考えると,ユーザの興味に基づいて動的に重み付けされる学習可能なプロンプトの共有集合を維持している。 実世界の3つのデータセットに対する実験結果から,PiaPODモデルがシーケンシャルレコメンデーション,トップnレコメンデーション,説明生成タスクに与える影響が示された。
  論文  参考訳（メタデータ） (2024-07-06T09:58:58Z)
• 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)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)

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。