論文の概要: SPARK: Search Personalization via Agent-Driven Retrieval and Knowledge-sharing

• arxiv url: http://arxiv.org/abs/2512.24008v1
• Date: Tue, 30 Dec 2025 06:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.296539
• Title: SPARK: Search Personalization via Agent-Driven Retrieval and Knowledge-sharing
• Title（参考訳）: SPARK:エージェント駆動検索と知識共有による検索パーソナライズ
• Authors: Gaurab Chhetri, Subasish Das, Tausif Islam Chowdhury,
• Abstract要約: SPARK(Search Personalization via Agent-Driven Retrieval and Knowledge-sharing)は、コーディネートされたペルソナベースの大規模言語モデル(LLM)エージェントがタスク固有の検索と創発的なパーソナライゼーションを提供するフレームワークである。 SPARKは役割、専門知識、タスクコンテキスト、ドメインによって定義されたペルソナ空間を形式化し、最も関連性の高い特殊エージェントを活性化するために、受信クエリを動的に解釈するペルソナコーディネータを導入する。 エージェント間のコラボレーションは、共有メモリリポジトリ、反復的議論、リレースタイルの知識伝達など、構造化された通信プロトコルによって促進される。
• 参考スコア（独自算出の注目度）: 0.9694940903078657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized search demands the ability to model users' evolving, multi-dimensional information needs; a challenge for systems constrained by static profiles or monolithic retrieval pipelines. We present SPARK (Search Personalization via Agent-Driven Retrieval and Knowledge-sharing), a framework in which coordinated persona-based large language model (LLM) agents deliver task-specific retrieval and emergent personalization. SPARK formalizes a persona space defined by role, expertise, task context, and domain, and introduces a Persona Coordinator that dynamically interprets incoming queries to activate the most relevant specialized agents. Each agent executes an independent retrieval-augmented generation process, supported by dedicated long- and short-term memory stores and context-aware reasoning modules. Inter-agent collaboration is facilitated through structured communication protocols, including shared memory repositories, iterative debate, and relay-style knowledge transfer. Drawing on principles from cognitive architectures, multi-agent coordination theory, and information retrieval, SPARK models how emergent personalization properties arise from distributed agent behaviors governed by minimal coordination rules. The framework yields testable predictions regarding coordination efficiency, personalization quality, and cognitive load distribution, while incorporating adaptive learning mechanisms for continuous persona refinement. By integrating fine-grained agent specialization with cooperative retrieval, SPARK provides insights for next-generation search systems capable of capturing the complexity, fluidity, and context sensitivity of human information-seeking behavior.
• Abstract（参考訳）: パーソナライズされた検索は、ユーザの進化する多次元情報ニーズをモデル化する能力を必要とする。 SPARK(Search Personalization via Agent-Driven Retrieval and Knowledge-sharing)は,コーディネートされたペルソナベース大規模言語モデル(LLM)エージェントがタスク固有の検索と創発的パーソナライゼーションを提供するフレームワークである。 SPARKは役割、専門知識、タスクコンテキスト、ドメインによって定義されたペルソナ空間を形式化し、最も関連性の高い特殊エージェントを活性化するために、受信クエリを動的に解釈するペルソナコーディネータを導入する。 各エージェントは、独立した検索拡張生成プロセスを実行し、専用の長期記憶と短期記憶とコンテキスト認識推論モジュールによってサポートされる。 エージェント間のコラボレーションは、共有メモリリポジトリ、反復的議論、リレースタイルの知識伝達など、構造化された通信プロトコルによって促進される。 認知アーキテクチャ、マルチエージェント協調理論、情報検索の原則に基づいて、SPARKは最小の調整規則によって管理される分散エージェントの振る舞いから、創発的なパーソナライゼーション特性がどのように生じるかをモデル化する。 このフレームワークは、コーディネーション効率、パーソナライズ品質、認知的負荷分布に関する検証可能な予測を行い、継続的なペルソナ改善のための適応学習機構を取り入れた。 SPARKは、きめ細かいエージェント専門化と協調検索を統合することで、人間の情報探索行動の複雑さ、流動性、文脈感受性を把握できる次世代検索システムに対する洞察を提供する。

関連論文リスト

• Mem-PAL: Towards Memory-based Personalized Dialogue Assistants for Long-term User-Agent Interaction [55.24448139349266]
  PAL-Benchは、長期ユーザエージェントインタラクションにおけるサービス指向アシスタントのパーソナライズ機能を評価するために設計された新しいベンチマークである。 サービス指向のインタラクションをパーソナライズするために、階層的で異質なメモリフレームワークであるH$2$Memoryを提案する。
  論文  参考訳（メタデータ） (2025-11-17T14:22:32Z)
• Linking Heterogeneous Data with Coordinated Agent Flows for Social Media Analysis [24.70488591952602]
  ソーシャルメディアプラットフォームは大量の異種データを生成する。 異種マルチモーダルデータをリンクするエージェントシステムであるSIA(Social Insight Agents)を提案する。 SIAはソーシャルメディアから多様で有意義な洞察を効果的に発見できることを示す。
  論文  参考訳（メタデータ） (2025-10-30T06:22:49Z)
• Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles [0.4885400580268118]
  大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。 本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T08:22:16Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• A Survey of Personalization: From RAG to Agent [48.34245916821302]
  パーソナライゼーションは現代のAIシステムにおいて不可欠な機能となり、個々のユーザの好みやコンテキスト、目標に合わせてカスタマイズされたインタラクションを可能にしている。 最近の研究は、ユーザ満足度を高めるために、Retrieval-Augmented Generation (RAG)フレームワークと、パーソナライズされた設定内のより高度なエージェントベースのアーキテクチャへの進化に集中している。 本調査は,RAGの3段階(検索前,検索後,生成前)のパーソナライゼーションを体系的に検討した。
  論文  参考訳（メタデータ） (2025-04-14T11:57:52Z)
• AgentNet: Decentralized Evolutionary Coordination for LLM-based Multi-Agent Systems [22.291969093748005]
  AgentNet(エージェントネット)は、マルチエージェントシステムのための分散化された検索型生成(RAG)ベースのフレームワークである。 静的ロールや集中制御の以前のアプローチとは異なり、AgentNetはエージェントがローカルの専門知識とコンテキストに基づいて接続とタスクのルーティングを調整することができる。 実験の結果,AgentNetは単一エージェントと集中型マルチエージェントのベースラインよりも高いタスク精度を実現することがわかった。
  論文  参考訳（メタデータ） (2025-04-01T09:45:25Z)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• A Learnable Agent Collaboration Network Framework for Personalized Multimodal AI Search Engine [14.123823081267336]
  本稿では,Agent Collaboration Network (ACN) と呼ばれる新しいAI検索エンジンフレームワークを提案する。 ACNフレームワークは、複数の専門エージェントが協力して作業し、それぞれがアカウントマネージャ、ソリューションストラテジスト、情報マネージャ、コンテンツクリエータといった異なる役割を担っている。 ACNの特長は、エージェント間のオンライン相乗的調整をサポートする反射フォワード最適化法(RFO)の導入である。
  論文  参考訳（メタデータ） (2024-09-01T07:01:22Z)

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。