論文の概要: Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Agentic Group Decision Support
- arxiv url: http://arxiv.org/abs/2507.00535v1
- Date: Tue, 01 Jul 2025 07:56:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:59.528652
- Title: Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Agentic Group Decision Support
- Title(参考訳): ジェネレーティブAI時代のグループ推薦システム再考:ワンショット勧告からエージェントグループ決定支援へ
- Authors: Dietmar Jannach, Amra Delić, Francesco Ricci, Markus Zanker,
- Abstract要約: 我々は、人間のグループメンバーがチャットで対話するグループレコメンデーションシステムと、AIベースのグループレコメンデーションエージェントがエージェント的な方法で意思決定プロセスを支援することを想定する。
最終的に、これはより自然なグループ意思決定環境につながり、最終的に、実際にグループレコメンデーションシステムがより広く採用されることになる。
- 参考スコア(独自算出の注目度): 8.7111059833539
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: More than twenty-five years ago, first ideas were developed on how to design a system that can provide recommendations to groups of users instead of individual users. Since then, a rich variety of algorithmic proposals were published, e.g., on how to acquire individual preferences, how to aggregate them, and how to generate recommendations for groups of users. However, despite the rich literature on the topic, barely any examples of real-world group recommender systems can be found. This lets us question common assumptions in academic research, in particular regarding communication processes in a group and how recommendation-supported decisions are made. In this essay, we argue that these common assumptions and corresponding system designs often may not match the needs or expectations of users. We thus call for a reorientation in this research area, leveraging the capabilities of modern Generative AI assistants like ChatGPT. Specifically, as one promising future direction, we envision group recommender systems to be systems where human group members interact in a chat and an AI-based group recommendation agent assists the decision-making process in an agentic way. Ultimately, this shall lead to a more natural group decision-making environment and finally to wider adoption of group recommendation systems in practice.
- Abstract(参考訳): 25年以上前には、個々のユーザではなく、ユーザのグループにレコメンデーションを提供するシステムを設計するための、最初のアイデアが開発された。
それ以来、例えば、個人の好みの取得方法、それらを集約する方法、ユーザーグループのためのレコメンデーションの生成方法など、さまざまなアルゴリズムの提案が公表された。
しかし、この話題に関する豊富な文献にもかかわらず、現実世界のグループレコメンデーターシステムの例はほとんど見つからない。
これにより、学術研究における一般的な仮定、特にグループ内のコミュニケーションプロセスや、推奨に支持された意思決定について疑問が持たれる。
本論では,これらの共通前提と対応するシステム設計が,ユーザのニーズや期待に合わない場合が多いことを論じる。
そこで我々は、ChatGPTのようなモダンなジェネレーティブAIアシスタントの能力を生かして、この研究領域の再配向を求める。
具体的には、将来有望な方向性として、人間のグループメンバーがチャットで対話するシステムであるグループレコメンデーションシステムと、AIベースのグループレコメンデーションエージェントがエージェント的な方法で意思決定プロセスを支援することを想定する。
最終的に、これはより自然なグループ意思決定環境につながり、最終的に、実際にグループレコメンデーションシステムがより広く採用されることになる。
関連論文リスト
- Widening the Role of Group Recommender Systems with CAJO [1.9336815376402723]
グループレコメンダシステム(GRS)は20年以上にわたって研究され開発されてきた。
非常に成功し、一般的なレコメンデーターシステム(RS)が主要なeコマースやソーシャルプラットフォームすべてで使われているのに比べれば、失敗とラベル付けすることも可能です。
本稿では,グループレコメンデータシステムの成功が遅れている理由を論じるとともに,人間とインテリジェントシステム間の新たなコラボレーション形態の分析と開発に展開する研究プログラムを提案する。
論文 参考訳(メタデータ) (2025-04-08T11:47:40Z) - Leveraging the Dynamics of Leadership in Group Recommendation Systems [0.11510009152620665]
グループレコメンデーションに新しいアプローチを導入し、特に共通の関心を共有する小グループに焦点をあてる。
グループ内の関係と信頼のダイナミクスを強調するレコメンデーションアルゴリズムを提案する。
この相互作用に焦点を当てたフレームワークは、最終的に推奨された選択によってグループ全体の満足度を高めることを目指している。
論文 参考訳(メタデータ) (2025-03-17T07:16:22Z) - All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era [63.649070507815715]
我々は、リコメンデータシステムをより広い視野に統合し、将来の研究のためのより包括的なソリューションの道を開くことを目指しています。
我々は、リストワイズレコメンデーションと会話レコメンデーションを通じて、現代のレコメンデーションシステムの2つの進化経路を特定する。
本稿では,ユーザの獲得コストを削減しつつ,推薦情報の有効性を高めることを指摘する。
論文 参考訳(メタデータ) (2024-07-14T05:02:21Z) - RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-28T22:26:50Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳(メタデータ) (2023-08-15T16:16:02Z) - Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。
我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。
どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
論文 参考訳(メタデータ) (2022-11-23T22:20:12Z) - Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。
KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。
最終的には、正確な推奨は会話の順番を少なくして生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:58:10Z) - DeepGroup: Representation Learning for Group Recommendation with
Implicit Feedback [0.5584060970507505]
我々は、好みが不明な新しいユーザーグループへの推薦に重点を置いているが、他のグループの決定や選択が与えられている。
一連のグループとその観察された決定を考えると、グループ決定予測は、新しいグループのユーザーの決定を予測することを意図しています。
逆の社会的選択は、観察されたグループ決定に関わるユーザの好みを推測することを目的としています。
論文 参考訳(メタデータ) (2021-03-13T02:05:26Z) - Designing Explanations for Group Recommender Systems [0.0]
様々な理由でレコメンデーションシステムで説明が用いられる。
レコメンダーシステムの開発者は、特定のアイテムを購入するようにユーザーに説得したいです。
ユーザーは、レコメンダシステムがどのように機能し、なぜ特定のアイテムが推奨されたのかをよりよく理解する必要がある。
論文 参考訳(メタデータ) (2021-02-24T17:05:39Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳(メタデータ) (2020-10-02T07:11:19Z)
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。