論文の概要: Collab-REC: An LLM-based Agentic Framework for Balancing Recommendations in Tourism

• arxiv url: http://arxiv.org/abs/2508.15030v1
• Date: Wed, 20 Aug 2025 19:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.077295
• Title: Collab-REC: An LLM-based Agentic Framework for Balancing Recommendations in Tourism
• Title（参考訳）: Collab-REC:観光におけるレコメンデーションのバランスをとるためのLLMベースのエージェントフレームワーク
• Authors: Ashmi Banerjee, Fitri Nur Aisyah, Adithi Satish, Wolfgang Wörndl, Yashar Deldjoo,
• Abstract要約: Collab-RECは、人気バイアスに対処し、観光レコメンデーションの多様性を高めるために設計されたマルチエージェントフレームワークである。 ヨーロッパの都市クェリの実験では、Collab-RECは単一エージェントのベースラインに比べて多様性と全体的な妥当性を改善している。
• 参考スコア（独自算出の注目度）: 6.910185679055651
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose Collab-REC, a multi-agent framework designed to counteract popularity bias and enhance diversity in tourism recommendations. In our setting, three LLM-based agents -- Personalization, Popularity, and Sustainability generate city suggestions from complementary perspectives. A non-LLM moderator then merges and refines these proposals via multi-round negotiation, ensuring each agent's viewpoint is incorporated while penalizing spurious or repeated responses. Experiments on European city queries show that Collab-REC improves diversity and overall relevance compared to a single-agent baseline, surfacing lesser-visited locales that often remain overlooked. This balanced, context-aware approach addresses over-tourism and better aligns with constraints provided by the user, highlighting the promise of multi-stakeholder collaboration in LLM-driven recommender systems.
• Abstract（参考訳）: 観光レコメンデーションにおける人気バイアス対策と多様性向上を目的としたマルチエージェントフレームワークであるCollab-RECを提案する。 我々の設定では、パーソナライズ、人気度、持続可能性の3つのLCMベースのエージェントが相補的な視点から都市提案を生成する。 非LLMモデレーターは、複数ラウンドの交渉を通じてこれらの提案をマージし、洗練し、各エージェントの視点が組み込まれ、スパイラルまたは繰り返しの応答を罰する。 ヨーロッパの都市クェリの実験では、Collab-RECは単一エージェントのベースラインに比べて多様性と全体的な関連性を改善しており、見落とされがちな、より視界の低い地元住民を目立たせている。 このバランスのとれたコンテキスト対応アプローチは、オーバーツーリズムに対処し、ユーザが提供する制約と整合性を高め、LLM駆動のレコメンデータシステムにおけるマルチステークホルダーコラボレーションの約束を強調します。

関連論文リスト

• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• Improving Dialogue Agents by Decomposing One Global Explicit Annotation with Local Implicit Multimodal Feedback [71.55265615594669]
  本稿では,LLMに基づく対話エージェントをグローバルな(対話レベル)報酬に基づいて整列する手法について述べるとともに,自然に発生するマルチモーダル信号も考慮する。 我々は,GELI手法の性能を評価するために定量的,質的な人間の研究を行い,ベースライン手法と比較して,様々な対話的指標に一貫した改善が見られた。
  論文  参考訳（メタデータ） (2024-03-17T20:21:26Z)
• Enhancing Recommendation Diversity by Re-ranking with Large Language Models [0.27624021966289597]
  大きな言語モデル(LLM)は、多様性の再ランク付けに使用することができる。 LLMは、多くの自然言語処理およびレコメンデーションタスクにおいて改善されたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-01-21T14:33:52Z)
• Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations [0.0]
  大規模言語モデル(LLM)は、明示的なフィードバックベースのレコメンデータシステムで遭遇する少数のシナリオに対処するための、新たな洞察を提供する。 我々の研究は、LLMがレコメンデーターシステムに関わっていることの多面的側面を深く掘り下げるために、研究者に刺激を与えることができる。
  論文  参考訳（メタデータ） (2023-12-21T03:50:09Z)
• ReConcile: Round-Table Conference Improves Reasoning via Consensus among Diverse LLMs [61.07130026622437]
  大規模言語モデル(LLM)は、まだ自然言語推論タスクに苦戦している。 心の社会に動機づけられて、我々はReConcileを提案する。 LLMエージェント間のラウンドテーブル会議として設計されたマルチモデルマルチエージェントフレームワーク。
  論文  参考訳（メタデータ） (2023-09-22T17:12:45Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)

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。