論文の概要: TalkPlay-Tools: Conversational Music Recommendation with LLM Tool Calling

• arxiv url: http://arxiv.org/abs/2510.01698v1
• Date: Thu, 02 Oct 2025 06:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.019118
• Title: TalkPlay-Tools: Conversational Music Recommendation with LLM Tool Calling
• Title（参考訳）: TalkPlay-Tools: LLMツールコールによる会話型音楽レコメンデーション
• Authors: Seungheon Doh, Keunwoo Choi, Juhan Nam,
• Abstract要約: 本稿では,ツールコールによる楽曲レコメンデーションシステムを提案する。 本システムでは,LLMをユーザ意図を解釈するエンドツーエンドのレコメンデーションシステムとして位置付ける。 この統合ツールコールフレームワークは,さまざまなレコメンデーションシナリオ間での競合性能を実現することを実証する。
• 参考スコア（独自算出の注目度）: 20.889365999166813
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While the recent developments in large language models (LLMs) have successfully enabled generative recommenders with natural language interactions, their recommendation behavior is limited, leaving other simpler yet crucial components such as metadata or attribute filtering underutilized in the system. We propose an LLM-based music recommendation system with tool calling to serve as a unified retrieval-reranking pipeline. Our system positions an LLM as an end-to-end recommendation system that interprets user intent, plans tool invocations, and orchestrates specialized components: boolean filters (SQL), sparse retrieval (BM25), dense retrieval (embedding similarity), and generative retrieval (semantic IDs). Through tool planning, the system predicts which types of tools to use, their execution order, and the arguments needed to find music matching user preferences, supporting diverse modalities while seamlessly integrating multiple database filtering methods. We demonstrate that this unified tool-calling framework achieves competitive performance across diverse recommendation scenarios by selectively employing appropriate retrieval methods based on user queries, envisioning a new paradigm for conversational music recommendation systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の開発は、自然言語の相互作用を持つ生成的レコメンデーションをうまく実現しているが、その推奨行動は限定的であり、メタデータやシステム内で未使用の属性フィルタリングといった、より単純で重要なコンポーネントを残している。 本稿では,LLMをベースとした楽曲推薦システムを提案する。 我々のシステムでは,LLMをユーザ意図を解釈し,ツール呼び出しを計画し,特殊なコンポーネントを編成するエンド・ツー・エンドのレコメンデーションシステムとして位置づけている。 ツールプランニングを通じて,使用するツールの種類,実行順序,ユーザの好みに合った音楽を見つけるために必要な引数を予測し,複数のデータベースフィルタリング手法をシームレスに統合しながら,多様なモダリティをサポートする。 この統合ツールコールフレームワークは,ユーザクエリに基づいた適切な検索手法を選択的に活用し,対話型楽曲レコメンデーションシステムのための新たなパラダイムを想定することにより,多様なレコメンデーションシナリオ間の競争性能を実現することを実証する。

関連論文リスト

• TALKPLAY: Multimodal Music Recommendation with Large Language Models [6.830154140450626]
  大規模言語モデル(LLM)を用いたトークン生成問題としてレコメンデーションを再構成する新しいマルチモーダル音楽レコメンデーションシステムTALKPLAYを提案する。 本システムは,コンテキストに関連のある応答を生成しながら,多様なユーザクエリから楽曲を効果的に推薦する。 質的,定量的評価により,TALKPLAYは,推奨性能と会話自然性の両方において,テキストや聴取履歴のみに基づく一助的アプローチを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-02-19T13:28:20Z)
• Improving Tool Retrieval by Leveraging Large Language Models for Query Generation [16.7926347207647]
  コンテキスト内学習は、プロンプトで関連するツールの短いリストを提供することができる。 本稿では,Large Language Models (LLM) を用いて検索クエリを生成することを提案する。 生成されたクエリは埋め込みされ、最も近い隣の検索を通じて最も関連性の高いツールを見つけるために使用される。
  論文  参考訳（メタデータ） (2024-11-17T03:02:09Z)
• Let Me Do It For You: Towards LLM Empowered Recommendation via Tool Learning [57.523454568002144]
  大きな言語モデル(LLM)は、常識的な推論と外部ツールの活用の能力を示している。 ツール学習を通じてLLMを活用したレコメンデーションのためのフレームワークであるToolRecを紹介する。 属性の粒度を探索するプロセスとして推薦プロセスを定式化する。 属性指向ツールには,ランクツールと検索ツールの2種類がある。
  論文  参考訳（メタデータ） (2024-05-24T00:06:54Z)
• MetaTool Benchmark for Large Language Models: Deciding Whether to Use Tools and Which to Use [79.87054552116443]
  大規模言語モデル(LLM)は、その印象的な自然言語処理(NLP)能力のために大きな注目を集めている。 このベンチマークは、LLMがツールの使用意識を持ち、ツールを正しく選択できるかどうかを評価するためのものだ。 8つの人気のあるLCMを巻き込んだ実験を行い、その大半は依然として効果的にツールを選択するのに苦労していることがわかった。
  論文  参考訳（メタデータ） (2023-10-04T19:39:26Z)
• 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)
• Beyond Single Items: Exploring User Preferences in Item Sets with the Conversational Playlist Curation Dataset [20.42354123651454]
  私たちはこのタスクを会話アイテムセットキュレーションと呼びます。 本稿では,会話環境におけるアイテムセットのリアルな嗜好を効率的に収集する新しいデータ収集手法を提案する。 我々は、それが他の方法では表現されない好みを表現することにつながることを示している。
  論文  参考訳（メタデータ） (2023-03-13T00:39:04Z)

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。