論文の概要: AdaptJobRec: Enhancing Conversational Career Recommendation through an LLM-Powered Agentic System

• arxiv url: http://arxiv.org/abs/2508.13423v1
• Date: Tue, 19 Aug 2025 00:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.750642
• Title: AdaptJobRec: Enhancing Conversational Career Recommendation through an LLM-Powered Agentic System
• Title（参考訳）: AdaptJobRec:LLMエージェントシステムによる会話キャリア推薦の促進
• Authors: Qixin Wang, Dawei Wang, Kun Chen, Yaowei Hu, Puneet Girdhar, Ruoteng Wang, Aadesh Gupta, Chaitanya Devella, Wenlai Guo, Shangwen Huang, Bachir Aoun, Greg Hayworth, Han Li, Xintao Wu,
• Abstract要約: AdaptJobRecは、自律エージェントを活用してパーソナライズされたレコメンデーションアルゴリズムツールを統合する、最初の会話型ジョブレコメンデーションシステムである。 このシステムは、応答遅延を最小限に抑えるために、ユーザクエリの複雑さを識別するメカニズムを採用している。 AdaptJobRecは、競合するベースラインと比較して平均レスポンスレイテンシを最大53.3%削減する。
• 参考スコア（独自算出の注目度）: 24.578975640022765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, recommendation systems have evolved from providing a single list of recommendations to offering a comprehensive suite of topic focused services. To better accomplish this task, conversational recommendation systems (CRS) have progressed from basic retrieval augmented LLM generation to agentic systems with advanced reasoning and self correction capabilities. However, agentic systems come with notable response latency, a longstanding challenge for conversational recommendation systems. To balance the trade off between handling complex queries and minimizing latency, we propose AdaptJobRec, the first conversational job recommendation system that leverages autonomous agent to integrate personalized recommendation algorithm tools. The system employs a user query complexity identification mechanism to minimize response latency. For straightforward queries, the agent directly selects the appropriate tool for rapid responses. For complex queries, the agent uses the memory processing module to filter chat history for relevant content, then passes the results to the intelligent task decomposition planner, and finally executes the tasks using personalized recommendation tools. Evaluation on Walmart's real world career recommendation scenarios demonstrates that AdaptJobRec reduces average response latency by up to 53.3% compared to competitive baselines, while significantly improving recommendation accuracy.
• Abstract（参考訳）: 近年、レコメンデーションシステムは、単一のレコメンデーションリストの提供から、トピックにフォーカスした包括的なスイートの提供へと進化してきた。 対話型レコメンデーションシステム (CRS) は, 高度な推論と自己補正機能を備えたエージェントシステムまで, 基礎的検索用LLM生成から進化してきた。 しかしエージェントシステムは、会話レコメンデーションシステムの長年にわたる課題である、顕著な応答遅延を伴っている。 複雑なクエリの処理とレイテンシの最小化のトレードオフのバランスをとるために,自律エージェントを活用してパーソナライズされたレコメンデーションアルゴリズムツールを統合する最初の会話型ジョブレコメンデーションシステムであるAdaptJobRecを提案する。 このシステムは、応答遅延を最小限に抑えるために、ユーザクエリの複雑さを識別するメカニズムを採用している。 簡単なクエリに対して、エージェントは、迅速なレスポンスのための適切なツールを直接選択する。 複雑なクエリに対して、エージェントはメモリ処理モジュールを使用して、関連するコンテンツのチャット履歴をフィルタリングし、結果をインテリジェントなタスク分解プランナに渡し、最後にパーソナライズされたレコメンデーションツールを使用してタスクを実行する。 Walmartの現実のキャリアレコメンデーションシナリオの評価は、AdaptJobRecが競合するベースラインと比較して平均レスポンスレイテンシを最大53.3%削減し、レコメンデーション精度を大幅に改善してい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)
• AgentRecBench: Benchmarking LLM Agent-based Personalized Recommender Systems [17.329692234349768]
  エージェントレコメンデータシステムはLarge Language Models (LLM)を利用している LLMの高度な推論とロールプレイング能力は、自律的で適応的な意思決定を可能にする。 この分野では、これらの手法を評価するための標準化された評価プロトコルが欠けている。
  論文  参考訳（メタデータ） (2025-05-26T07:45:11Z)
• Towards Next-Generation Recommender Systems: A Benchmark for Personalized Recommendation Assistant with LLMs [38.83854553636802]
  大規模言語モデル(LLM)はRecSysの基礎アーキテクチャに革命をもたらした。 既存の研究の多くは、リコメンデーションを生成するための固定されたタスク固有のプロンプトテンプレートに依存している。 これは、一般的に使用されるデータセットには、現実世界のレコメンデーションシナリオを反映した高品質なテキストユーザークエリがないためである。 我々は、複雑なユーザレコメンデーションニーズを処理するLLMの能力にアクセスするために設計された新しいデータセットであるRecBench+を紹介する。
  論文  参考訳（メタデータ） (2025-03-12T13:28:23Z)
• Personalized Recommendation Systems using Multimodal, Autonomous, Multi Agent Systems [0.6629765271909505]
  本稿では,マルチモーダル,自律型,マルチエージェントシステムを用いた高度に開発されたパーソナライズされたレコメンデーションシステムについて述べる。 このシステムは、未来的なAI技術と、顧客サービス体験を改善するためにGemini-1.5- ProやLLaMA-70BのようなLLMを取り入れることに焦点を当てている。
  論文  参考訳（メタデータ） (2024-10-22T14:11:26Z)
• Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
  協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。 我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。 M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
  論文  参考訳（メタデータ） (2024-09-03T04:55:03Z)
• REAPER: Reasoning based Retrieval Planning for Complex RAG Systems [3.160580413086215]
  複雑なクエリは複数ステップの検索も必要です。 ほとんどのRAGエージェントは、推論と検索のステップをインターリーブすることで、このようなChain-of-Thoughtタスクを処理する。 エージェントベースのシステムよりもレイテンシが大幅に向上し、新規で目に見えないユースケースに容易にスケールできるようになりました。
  論文  参考訳（メタデータ） (2024-07-26T07:05:54Z)
• Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
  Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。 本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。 オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
  論文  参考訳（メタデータ） (2024-03-21T13:52:30Z)
• Rescue: Ranking LLM Responses with Partial Ordering to Improve Response Generation [28.89786334298637]
  ランキングメトリクスを用いたLCMの最適化手法を開発した。 従来の完全順序付けではなく、部分順序付けを提唱する。 ベンチマークデータセットを用いて,システムの改善された応答生成能力を検証した。
  論文  参考訳（メタデータ） (2023-11-15T17:27:14Z)
• 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)
• 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)

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。