論文の概要: LLM-Based Intelligent Agents for Music Recommendation: A Comparison with Classical Content-Based Filtering

• arxiv url: http://arxiv.org/abs/2508.11671v1
• Date: Thu, 07 Aug 2025 15:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-24 10:27:26.494788
• Title: LLM-Based Intelligent Agents for Music Recommendation: A Comparison with Classical Content-Based Filtering
• Title（参考訳）: LLMに基づく音楽推薦のためのインテリジェントエージェント:古典的コンテンツベースフィルタリングとの比較
• Authors: Ronald Carvalho Boadana, Ademir Guimarães da Costa Junior, Ricardo Rios, Fábio Santos da Silva,
• Abstract要約: 本研究では,パーソナライズされた音楽レコメンデーションシステムにおけるLarge Language Models (LLM)の使用について検討する。 LLMは最大で89,32%の満足度を達成し、音楽レコメンデーションシステムに期待できる可能性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The growing availability of music on streaming platforms has led to information overload for users. To address this issue and enhance the user experience, increasingly sophisticated recommendation systems have been proposed. This work investigates the use of Large Language Models (LLMs) from the Gemini and LLaMA families, combined with intelligent agents, in a multi-agent personalized music recommendation system. The results are compared with a traditional content-based recommendation model, considering user satisfaction, novelty, and computational efficiency. LLMs achieved satisfaction rates of up to \textit{89{,}32\%}, indicating their promising potential in music recommendation systems.
• Abstract（参考訳）: ストリーミングプラットフォームで音楽が利用可能になるにつれ、ユーザにとって情報過剰が発生している。 この問題に対処し、ユーザエクスペリエンスを向上させるため、より洗練されたレコメンデーションシステムが提案されている。 本研究は,マルチエージェント・パーソナライズされた音楽レコメンデーションシステムにおいて,ジェミニ家とLLaMA家からのLarge Language Models (LLM) とインテリジェントエージェントの併用について検討する。 結果は、ユーザの満足度、ノベルティ、計算効率を考慮して、従来のコンテンツベースのレコメンデーションモデルと比較される。 LLMは「textit{89{,}32\%}」までの満足度を達成し、音楽レコメンデーションシステムに期待できる可能性を示した。

関連論文リスト

• User Feedback Alignment for LLM-powered Exploration in Large-scale Recommendation Systems [26.652050105571206]
  大規模なレコメンデーションシステムでは,ユーザエクスペリエンスを,確立された嗜好を超えて拡張する行為であるExplorationが課題となっている。 本稿では,階層型計画とLLM推論時間スケーリングを組み合わせた新しい手法を提案する。 ユーザ満足度(ウォッチアクティビティとアクティブユーザ数で測定)と探索多様性の両面で有意な向上を示した。
  論文  参考訳（メタデータ） (2025-04-07T21:44:12Z)
• Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の累積増加率は4.13%に達した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• 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)
• Related Rhythms: Recommendation System To Discover Music You May Like [2.7152798636894193]
  本稿では, 分散機械学習パイプラインをデライン化し, 歌のサブセットを入力として取り出し, 入力されたサブセットに類似していると認識された曲の新たなサブセットを生成する。 公開されているMillion Songsデータセット(MSD)は、研究者がオーディオトラックの分析とレコメンデーションのための合理的に効率的なシステムを開発し、探索することを可能にする。 提案するアプリケーションの目的は、ユーザーが好む曲を最適に推薦するように訓練されたMLシステムを活用することである。
  論文  参考訳（メタデータ） (2023-09-24T04:18:40Z)
• 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)
• Explainability in Music Recommender Systems [69.0506502017444]
  音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。 本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
  論文  参考訳（メタデータ） (2022-01-25T18:32:11Z)

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。