論文の概要: Agentic Personalized Fashion Recommendation in the Age of Generative AI: Challenges, Opportunities, and Evaluation
- arxiv url: http://arxiv.org/abs/2508.02342v1
- Date: Mon, 04 Aug 2025 12:22:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 13:24:27.409781
- Title: Agentic Personalized Fashion Recommendation in the Age of Generative AI: Challenges, Opportunities, and Evaluation
- Title（参考訳）: ジェネレーティブAI時代のエージェントパーソナライズされたファッションレコメンデーション--課題、機会、評価
- Authors: Yashar Deldjoo, Nima Rafiee, Mahdyar Ravanbakhsh,
- Abstract要約: 本稿では, 学術的, 産業的視点の両面を総合して, 現代のFARSの独自生産空間と利害関係者の生態系をマッピングする。
エージェントLLMプランナと動的検索を併用したマルチモーダルエンコーダを融合したエージェント混合モードリファインメントパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 9.319920301747297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fashion recommender systems (FaRS) face distinct challenges due to rapid trend shifts, nuanced user preferences, intricate item-item compatibility, and the complex interplay among consumers, brands, and influencers. Traditional recommendation approaches, largely static and retrieval-focused, struggle to effectively capture these dynamic elements, leading to decreased user satisfaction and elevated return rates. This paper synthesizes both academic and industrial viewpoints to map the distinctive output space and stakeholder ecosystem of modern FaRS, identifying the complex interplay among users, brands, platforms, and influencers, and highlighting the unique data and modeling challenges that arise. We outline a research agenda for industrial FaRS, centered on five representative scenarios spanning static queries, outfit composition, and multi-turn dialogue, and argue that mixed-modality refinement-the ability to combine image-based references (anchors) with nuanced textual constraints-is a particularly critical task for real-world deployment. To this end, we propose an Agentic Mixed-Modality Refinement (AMMR) pipeline, which fuses multimodal encoders with agentic LLM planners and dynamic retrieval, bridging the gap between expressive user intent and fast-changing fashion inventories. Our work shows that moving beyond static retrieval toward adaptive, generative, and stakeholder-aware systems is essential to satisfy the evolving expectations of fashion consumers and brands.
- Abstract（参考訳）: ファッションレコメンデータシステム(FaRS)は、急激なトレンドシフト、ユーザの嗜好のニュアンス、複雑なアイテムとイテムの互換性、消費者、ブランド、インフルエンサー間の複雑な相互作用など、さまざまな課題に直面している。
従来のレコメンデーションアプローチは、主に静的で検索中心のもので、これらの動的要素を効果的に捉えるのに苦労し、ユーザの満足度が低下し、リターン率が上昇する。
本稿では, 学術的, 産業的両面から, 現代のFARSの特有なアウトプット空間と利害関係者のエコシステムをマッピングし, ユーザ, ブランド, プラットフォーム, インフルエンサー間の複雑な相互作用を特定し, 発生したデータとモデリングの課題を強調する。
本稿では, 静的クエリ, 服飾構成, マルチターン対話にまたがる5つの代表的なシナリオを中心に, 産業用FARSの研究課題を概説し, 画像ベース参照(アンカー)とニュアンス付きテキスト制約を結合する複合モダリティ改善は, 実世界の展開において特に重要な課題であると主張している。
この目的のために,エージェント・ミックス・モダリティ・リファインメント(AMMR)パイプラインを提案する。このパイプラインは,マルチモーダル・エンコーダをエージェントLLMプランナと動的検索で融合し,表現力のあるユーザ意図と高速に変化するファッションインベントリのギャップを埋める。
我々の研究は、ファッション消費者やブランドの進化する期待を満たすために、静的検索を超えて適応的、生成的、およびステークホルダー対応システムに移行することが不可欠であることを示している。
関連論文リスト
- Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent [56.61028117645315]
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。
論文 参考訳（メタデータ） (2025-06-30T03:15:50Z) - Synergizing Implicit and Explicit User Interests: A Multi-Embedding Retrieval Framework at Pinterest [9.904093205817247]
検索ステージは、候補項目のハイリコールセットを生成する上で重要な役割を果たす。
従来の2-towerモデルは、ユーザとイテムの機能相互作用が限られているため、この点において苦労する。
ユーザの興味を表現できる新しいマルチ埋め込み検索フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-29T02:14:21Z) - From Intent Discovery to Recognition with Topic Modeling and Synthetic Data [0.0]
顧客の発話は、頻繁な単語の共起と、長期間の変動によって特徴付けられる。
トピックモデリングと合成クエリ生成のためのエージェントLLMフレームワークを提案する。
LLMの生成した意図記述やキーワードは、効果的に人為的なバージョンに代用できることを示す。
論文 参考訳（メタデータ） (2025-05-16T12:20:31Z) - Optimizing Recommendations using Fine-Tuned LLMs [0.0]
本稿では,実世界のユーザインタラクションをモデル化して合成データセットを生成する手法を提案する。
ユーザーは、気分、プロットの詳細、テーマ要素など、複雑な好みでより多くの情報を表現できる。
論文 参考訳（メタデータ） (2025-05-11T04:53:34Z) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - DashCLIP: Leveraging multimodal models for generating semantic embeddings for DoorDash [0.4288177321445912]
画像テキストデータに対するコントラスト学習を通じて,ユニモーダルエンコーダとマルチモーダルエンコーダを整列させることにより,製品およびユーザクエリのための共同トレーニングフレームワークを導入する。
提案手法では,クエリエンコーダをLLM計算した関連データセットでトレーニングし,エンゲージメント履歴への依存を解消する。
パーソナライズされた広告レコメンデーションでは、デプロイ後のクリックスルー率と変換レートが大きく上昇し、主要なビジネス指標への影響を確認します。
論文 参考訳（メタデータ） (2025-03-18T20:38:31Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳（メタデータ） (2024-08-07T16:35:10Z) - LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。
これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。
本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
論文 参考訳（メタデータ） (2024-05-31T07:24:42Z) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳（メタデータ） (2023-08-22T04:06:56Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z)
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。