論文の概要: AgentDR Dynamic Recommendation with Implicit Item-Item Relations via LLM-based Agents

• arxiv url: http://arxiv.org/abs/2510.05598v1
• Date: Tue, 07 Oct 2025 05:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.116635
• Title: AgentDR Dynamic Recommendation with Implicit Item-Item Relations via LLM-based Agents
• Title（参考訳）: LLMエージェントによる不必要項目関係を考慮したエージェントDR動的勧告
• Authors: Mingdai Yang, Nurendra Choudhary, Jiangshu Du, Edward W. Huang, Philip S. Yu, Karthik Subbian, Danai Kourta,
• Abstract要約: 本稿では,LLM推論をスケーラブルなレコメンデーションツールでブリッジする新しいLLMエージェントフレームワークであるAgenDRを提案する。 提案手法は,複数のレコメンデーション出力を統合するためにLLMを活用しながら,従来のモデルに上位タスクを委譲する。 我々のフレームワークは、その基盤となるツールよりも平均して2倍改善され、優れたフルレベルのパフォーマンスを実現していることを示す。
• 参考スコア（独自算出の注目度）: 42.177723613925146
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent agent-based recommendation frameworks aim to simulate user behaviors by incorporating memory mechanisms and prompting strategies, but they struggle with hallucinating non-existent items and full-catalog ranking. Besides, a largely underexplored opportunity lies in leveraging LLMs'commonsense reasoning to capture user intent through substitute and complement relationships between items, which are usually implicit in datasets and difficult for traditional ID-based recommenders to capture. In this work, we propose a novel LLM-agent framework, AgenDR, which bridges LLM reasoning with scalable recommendation tools. Our approach delegates full-ranking tasks to traditional models while utilizing LLMs to (i) integrate multiple recommendation outputs based on personalized tool suitability and (ii) reason over substitute and complement relationships grounded in user history. This design mitigates hallucination, scales to large catalogs, and enhances recommendation relevance through relational reasoning. Through extensive experiments on three public grocery datasets, we show that our framework achieves superior full-ranking performance, yielding on average a twofold improvement over its underlying tools. We also introduce a new LLM-based evaluation metric that jointly measures semantic alignment and ranking correctness.
• Abstract（参考訳）: 近年のエージェントベースの推薦フレームワークは,記憶機構を取り入れてユーザの行動をシミュレートすることを目的としている。 加えて、LLMの常識的推論を活用して、通常データセットでは暗黙的であり、従来のIDベースのレコメンデータがキャプチャするのが困難であるアイテム間のリレーションシップや補完を通じて、ユーザインテントをキャプチャする、という未調査の機会もある。 本研究では,LLM推論をスケーラブルなレコメンデーションツールでブリッジする新しいLLMエージェントフレームワークであるAgenDRを提案する。 我々のアプローチは、LLMを活用しながら、従来のモデルにフルグレードのタスクを委譲する。 二 パーソナライズされたツール適合性に基づく複数のレコメンデーションアウトプットを統合すること。 (二)ユーザ・ヒストリに根ざした代用的・相補的関係の理由 この設計は幻覚を緩和し、大規模なカタログにスケールし、リレーショナル推論を通じてレコメンデーション関連性を高める。 3つの公開食料品データセットに関する広範な実験を通して、我々のフレームワークは、その基盤となるツールよりも平均して2倍の精度で、優れたフルレベルのパフォーマンスを実現していることを示す。 セマンティックアライメントとランキングの正しさを共同で測定するLLMに基づく評価指標も導入する。

関連論文リスト

• LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation [49.78419076215196]
  シーケンスレコメンデーションは、類似したユーザやアイテムの履歴行動から協調フィルタリング(CF)信号をモデル化することで、ユーザの将来のインタラクションを予測することを目的としている。 従来のシーケンシャルなレコメンダは、高次の共起パターンを通じてCF信号をキャプチャするIDベースの埋め込みに依存している。 大規模言語モデル(LLM)の最近の進歩は、テキスト記述からアイテム表現を導出するテキストベースのレコメンデーションアプローチを動機付けている。 理想的な埋め込みモデルは、ドメイン内およびドメイン外のレコメンデーションパフォーマンスを改善するために、CF信号とリッチなセマンティック表現をシームレスに統合すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-16T13:27:06Z)
• What LLMs Miss in Recommendations: Bridging the Gap with Retrieval-Augmented Collaborative Signals [4.297070083645049]
  ユーザとイテムのインタラクションには、多くの成功したレコメンデーションシステムのバックボーンを形成する、リッチなコラボレーティブなシグナルが含まれている。 大規模言語モデル(LLM)がこの種類の協調的な情報を効果的に説明できるかどうかは不明だ。 構造化された相互作用データにそれらの予測を基礎づけることによりLLMを強化する単純な検索拡張生成(RAG)手法を提案する。
  論文  参考訳（メタデータ） (2025-05-27T05:18:57Z)
• DeepRec: Towards a Deep Dive Into the Item Space with Large Language Model Based Recommendation [83.21140655248624]
  大型言語モデル (LLM) はレコメンダシステム (RS) に導入された。 本稿では, LLM と TRM の自律的マルチターンインタラクションを実現する新しい RS である DeepRec を提案する。 公開データセットの実験では、DeepRecは従来のものとLLMベースのベースラインの両方で大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-05-22T15:49:38Z)
• Enhancing High-order Interaction Awareness in LLM-based Recommender Model [3.7623606729515133]
  本稿では,LLMベースのリコメンデータ(ELMRec)について述べる。 我々は、レコメンデーションのためのグラフ構築相互作用のLLM解釈を大幅に強化するために、単語全体の埋め込みを強化する。 ELMRecは、直接およびシーケンシャルなレコメンデーションの両方において、最先端(SOTA)メソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-09-30T06:07:12Z)
• Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
  逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。 様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。 我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
  論文  参考訳（メタデータ） (2024-08-14T10:03:40Z)
• 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)

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。