論文の概要: Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations

• arxiv url: http://arxiv.org/abs/2511.18413v1
• Date: Sun, 23 Nov 2025 11:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.829172
• Title: Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations
• Title（参考訳）: マルチエージェント協調フィルタリング: エージェント推奨のためのユーザと項目のオーケストレーション
• Authors: Yu Xia, Sungchul Kim, Tong Yu, Ryan A. Rossi, Julian McAuely,
• Abstract要約: エージェントレコメンデーションのためのMulti-Agent Collaborative Filtering (MACF) フレームワークを提案する。 類似したユーザや関連項目を,ユニークなプロファイルを持つ大規模言語モデル(LLM)エージェントとしてインスタンス化する。 各エージェントは検索ツールを呼び出し、候補項目を推薦し、他のエージェントと対話することができる。
• 参考スコア（独自算出の注目度）: 53.24966473363053
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Agentic recommendations cast recommenders as large language model (LLM) agents that can plan, reason, use tools, and interact with users of varying preferences in web applications. However, most existing agentic recommender systems focus on generic single-agent plan-execute workflows or multi-agent task decomposition pipelines. Without recommendation-oriented design, they often underuse the collaborative signals in the user-item interaction history, leading to unsatisfying recommendation results. To address this, we propose the Multi-Agent Collaborative Filtering (MACF) framework for agentic recommendations, drawing an analogy between traditional collaborative filtering algorithms and LLM-based multi-agent collaboration. Specifically, given a target user and query, we instantiate similar users and relevant items as LLM agents with unique profiles. Each agent is able to call retrieval tools, suggest candidate items, and interact with other agents. Different from the static preference aggregation in traditional collaborative filtering, MACF employs a central orchestrator agent to adaptively manage the collaboration between user and item agents via dynamic agent recruitment and personalized collaboration instruction. Experimental results on datasets from three different domains show the advantages of our MACF framework compared to strong agentic recommendation baselines.
• Abstract（参考訳）: エージェントレコメンデーションは、大規模言語モデル(LLM)エージェントとして、Webアプリケーションで様々な好みを持つユーザを計画し、推論し、使用するツールとして、推奨者を配置する。 しかし、既存のエージェントレコメンデータシステムは、汎用的な単一エージェント計画実行ワークフローやマルチエージェントタスク分解パイプラインに重点を置いている。 レコメンデーション指向の設計がなければ、ユーザとイテムのインタラクション履歴における協調的なシグナルを過小評価することが多く、レコメンデーション結果に不満を呈する。 これを解決するために,エージェントレコメンデーションのためのMulti-Agent Collaborative Filtering (MACF)フレームワークを提案する。 具体的には、ターゲットユーザとクエリーが与えられた場合、類似したユーザと関連するアイテムを、ユニークなプロファイルを持つLLMエージェントとしてインスタンス化する。 各エージェントは検索ツールを呼び出し、候補項目を推薦し、他のエージェントと対話することができる。 従来の協調フィルタリングにおける静的な選好集約とは異なり、MACFは、動的エージェントの募集とパーソナライズされた協調指導を通じて、ユーザとアイテムエージェント間のコラボレーションを適応的に管理するために、中央オーケストレータエージェントを使用している。 3つの異なるドメインのデータセットに対する実験結果は、強力なエージェント推奨ベースラインと比較して、MACFフレームワークの利点を示している。

関連論文リスト

• Agentic Feedback Loop Modeling Improves Recommendation and User Simulation [55.857164472712455]
  本稿では,リコメンデーションエージェントとユーザエージェントの協調を支援するために,フィードバックループプロセスを強調する新しいフレームワークを提案する。 この反復的なプロセスは、両方のエージェントがユーザの振る舞いを推測する能力を高め、より効果的なアイテムレコメンデーションとより正確なユーザーシミュレーションを可能にします。
  論文  参考訳（メタデータ） (2024-10-26T00:51:39Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)
• MACRec: a Multi-Agent Collaboration Framework for Recommendation [21.425320819792912]
  マルチエージェントコラボレーションによるレコメンデーションシステムを強化するための新しいフレームワークであるMACRecを紹介する。 ユーザ/イテムシミュレーションにエージェントを使用する既存の作業とは異なり、マルチエージェントをデプロイしてレコメンデーションタスクに直接取り組もうとしている。 本稿では、評価予測、逐次レコメンデーション、会話レコメンデーション、レコメンデーション結果の説明生成など、様々なレコメンデーションタスクで開発者がMACRecを簡単に利用できるアプリケーションの例を示す。
  論文  参考訳（メタデータ） (2024-02-23T09:57:20Z)
• 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)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)
• AutoAgents: A Framework for Automatic Agent Generation [27.74332323317923]
  AutoAgentsは、さまざまなタスクに応じてAIチームを構築するために、複数の専門エージェントを適応的に生成し、コーディネートする革新的なフレームワークである。 各種ベンチマーク実験により,AutoAgentsは既存のマルチエージェント手法よりも一貫性と正確な解を生成することが示された。
  論文  参考訳（メタデータ） (2023-09-29T14:46:30Z)
• MACRPO: Multi-Agent Cooperative Recurrent Policy Optimization [17.825845543579195]
  我々はtextitMulti-Agent Cooperative Recurrent Proximal Policy Optimization (MACRPO) と呼ばれる新しいマルチエージェントアクター批判手法を提案する。 我々は、批評家のネットワークアーキテクチャにおいてリカレント・レイヤを使用し、メタ・トラジェクトリを使用してリカレント・レイヤをトレーニングする新しいフレームワークを提案する。 連続的および離散的な行動空間を持つ3つの挑戦的マルチエージェント環境において,本アルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-09-02T12:43:35Z)

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。