論文の概要: MADREC: A Multi-Aspect Driven LLM Agent for Explainable and Adaptive Recommendation

• arxiv url: http://arxiv.org/abs/2510.13371v1
• Date: Wed, 15 Oct 2025 10:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.616739
• Title: MADREC: A Multi-Aspect Driven LLM Agent for Explainable and Adaptive Recommendation
• Title（参考訳）: MADREC: 説明可能な適応型レコメンデーションのためのマルチアスペクト駆動型LLMエージェント
• Authors: Jiin Park, Misuk Kim,
• Abstract要約: マルチアスペクト駆動型LLMエージェントMADRecは、レビューからマルチアスペクト情報の教師なし抽出によってユーザとアイテムのプロファイルを構築する自動レコメンデータである。 MADRecはアスペクトカテゴリに基づく要約を通じて構造化プロファイルを生成し、高密度入力を構築するためにRe-Rankingを適用する。 複数の領域にわたる実験により、MADRecは従来のLCMベースのベースラインよりも精度と説明可能性の両方で優れていることが示された。
• 参考スコア（独自算出の注目度）: 11.430206422495829
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent attempts to integrate large language models (LLMs) into recommender systems have gained momentum, but most remain limited to simple text generation or static prompt-based inference, failing to capture the complexity of user preferences and real-world interactions. This study proposes the Multi-Aspect Driven LLM Agent MADRec, an autonomous LLM-based recommender that constructs user and item profiles by unsupervised extraction of multi-aspect information from reviews and performs direct recommendation, sequential recommendation, and explanation generation. MADRec generates structured profiles via aspect-category-based summarization and applies Re-Ranking to construct high-density inputs. When the ground-truth item is missing from the output, the Self-Feedback mechanism dynamically adjusts the inference criteria. Experiments across multiple domains show that MADRec outperforms traditional and LLM-based baselines in both precision and explainability, with human evaluation further confirming the persuasiveness of the generated explanations.
• Abstract（参考訳）: 近年,大規模言語モデル(LLM)をレコメンデーションシステムに統合する試みが盛んに行われているが,そのほとんどは単純なテキスト生成や静的なプロンプトベースの推論に限られており,ユーザの好みや実世界のインタラクションの複雑さを捉えていない。 本研究では,マルチアスペクト駆動型LLMエージェントMADRecを提案する。マルチアスペクト情報のレビューからの教師なし抽出によってユーザとアイテムのプロファイルを構築する自律型LLMエージェントMADRecで,直接レコメンデーション,シーケンシャルレコメンデーション,説明生成を行う。 MADRecはアスペクトカテゴリに基づく要約を通じて構造化プロファイルを生成し、高密度入力を構築するためにRe-Rankingを適用する。 アウトプットからグランドトゥルースアイテムが欠落した場合、セルフフィードバック機構は推論基準を動的に調整する。 複数の領域にわたる実験により、MADRecは従来のLCMベースのベースラインよりも精度と説明可能性の両方で優れており、人間による評価は生成された説明の説得性をさらに裏付けている。

関連論文リスト

• AgentDR Dynamic Recommendation with Implicit Item-Item Relations via LLM-based Agents [42.177723613925146]
  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。
  論文  参考訳（メタデータ） (2025-10-07T05:48:05Z)
• PrLM: Learning Explicit Reasoning for Personalized RAG via Contrastive Reward Optimization [4.624026598342624]
  検索したユーザプロファイルを明示的に推論するために,LLMをトレーニングする強化学習フレームワークであるPrLMを提案する。 PrLMは、注釈付き推論パスを必要とせずに、ユーザの応答から効果的に学習する。 3つのパーソナライズされたテキスト生成データセットの実験は、PrLMが既存の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-10T13:37:26Z)
• Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation [5.656477996187559]
  Explainable Recommender System (ExRec)は、レコメンデーションプロセスへの透明性を提供し、ユーザの信頼を高め、オンラインサービスの運用を促進する。 既存のLLMベースのExRecモデルは、プロファイルの偏りと高い検索オーバーヘッドに悩まされ、デプロイメントを妨げている。 階層的集約(REXHA)を用いた検索拡張レコメンデーション記述生成を提案する。
  論文  参考訳（メタデータ） (2025-07-12T08:15:05Z)
• Hierarchical Interaction Summarization and Contrastive Prompting for Explainable Recommendations [9.082885521130617]
  本稿では、階層的相互作用要約(PGHIS)によるプロファイル生成と、説明生成(CPEG)のための対照的なプロンプトを組み合わせた新しいアプローチを提案する。 提案手法は既存の最先端手法よりも優れており,説明可能性(GPTScoreの5%など)とテキスト品質に関する指標の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-07-08T14:45:47Z)
• Enhancing Temporal Sensitivity of Large Language Model for Recommendation with Counterfactual Tuning [8.798364656768657]
  我々は、アンダーライン勧告(CETRec)の枠組みを提案する。 CETRecは因果推論の原則に基づいており、時間情報の特定の影響をレコメンデーション結果に分離し、測定することができる。 私たちのコードはhttps://anonymous.4open.science/r/CETRec-B9CE/で利用可能です。
  論文  参考訳（メタデータ） (2025-07-03T10:11:35Z)
• Unlocking the Potential of Large Language Models for Explainable Recommendations [55.29843710657637]
  説明ジェネレータを最近登場した大規模言語モデル(LLM)に置き換える影響は、まだ不明である。 本研究では,シンプルで効果的な2段階説明可能なレコメンデーションフレームワークであるLLMXRecを提案する。 いくつかの重要な微調整技術を採用することで、制御可能で流動的な説明が十分に生成できる。
  論文  参考訳（メタデータ） (2023-12-25T09:09:54Z)
• 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)

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。