論文の概要: Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation

• arxiv url: http://arxiv.org/abs/2603.10673v1
• Date: Wed, 11 Mar 2026 11:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.918436
• Title: Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation
• Title（参考訳）: ユーザ中心機関を打破する:エージェントベースの勧告のための三部構成フレームワーク
• Authors: Yaxin Gong, Chongming Gao, Chenxiao Fan, Wenjie Wang, Fuli Feng, Xiangnan He,
• Abstract要約: 第1回LLM-Adnt Recommendation framework(TriRec)を提案する。 TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。 精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
• 参考スコア（独自算出の注目度）: 59.362016745945375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large language models (LLMs) have stimulated growing interest in agent-based recommender systems, enabling language-driven interaction and reasoning for more expressive preference modeling. However, most existing agentic approaches remain predominantly user-centric, treating items as passive entities and neglecting the interests of other critical stakeholders. This limitation exacerbates exposure concentration and long-tail under-representation, threatening long-term system sustainability. In this work, we identify this fundamental limitation and propose the first Tri-party LLM-agent Recommendation framework (TriRec) that explicitly coordinates user utility, item exposure, and platform-level fairness. The framework employs a two-stage architecture: Stage~1 empowers item agents with personalized self-promotion to improve matching quality and alleviate cold-start barriers, while Stage~2 uses a platform agent for sequential multi-objective re-ranking, balancing user relevance, item utility, and exposure fairness. Experiments on multiple benchmarks show consistent gains in accuracy, fairness, and item-level utility. Moreover, we find that item self-promotion can simultaneously enhance fairness and effectiveness, challenging the conventional trade-off assumption between relevance and fairness. Our code is available at https://github.com/Marfekey/TriRec.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、エージェントベースのレコメンデーションシステムへの関心の高まりを刺激し、言語主導のインタラクションと推論を可能にし、より表現力のある嗜好モデリングを可能にしている。 しかし、既存のエージェント的アプローチのほとんどは、主にユーザ中心であり、アイテムを受動的エンティティとして扱い、他の重要な利害関係者の利益を無視している。 この制限は、露光濃度とロングテールのアンダー表現を悪化させ、長期のシステム持続性を脅かす。 本研究では,この基本的制約を識別し,ユーザの有用性,項目の露出,プラットフォームレベルの公正性を明確に調整する,最初のトリパーティLLM-agent Recommendationフレームワーク(TriRec)を提案する。 Stage~1は、パーソナライズされたセルフプロモーションでアイテムエージェントに権限を与え、マッチング品質を改善し、コールドスタート障壁を軽減する。 複数のベンチマークの実験では、精度、公平性、アイテムレベルのユーティリティが一貫した向上を示している。 さらに、アイテムの自己促進は、妥当性と公平性の間の従来のトレードオフ仮定に挑戦し、公平性と有効性を同時に向上させることができることが判明した。 私たちのコードはhttps://github.com/Marfekey/TriRec.comで公開されています。

関連論文リスト

• CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
  CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。 この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
  論文  参考訳（メタデータ） (2026-03-09T07:15:23Z)
• Efficient Personalized Reranking with Semi-Autoregressive Generation and Online Knowledge Distillation [67.09494009022471]
  本稿では,オンライン知識蒸留(PSAD)フレームワークを改訂するための新しいパーソナライズド・セミ・オートレグレッシブを提案する。 このフレームワークでは、教師モデルは、生成品質と効率のバランスをとるために半自己回帰ジェネレータを採用し、そのランキング知識はオンラインで軽量のスコアリングネットワークに抽出される。 3つの大規模な公開データセットで実施された実験により、PSADはランク付け性能と推論効率の両方において最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-03-07T08:37:13Z)
• ChatShopBuddy: Towards Reliable Conversational Shopping Agents via Reinforcement Learning [88.87305027895657]
  本研究では,現実シナリオにおけるショッピングエージェントの強化学習に基づく最適化について検討する。 エージェントは、客観的指標(生産的正確性)、主観的品質(説得性)、成果報酬(最終応答品質)、プロセス報酬(ツール効率)にまたがる複数の相互依存目標を同時に満たさなければならない。 実験の結果、我々のRL学習エージェントであるChatShopBuddyは、一般的な推論に依存する大きなモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-03-06T09:18:51Z)
• Revisiting Fairness-aware Interactive Recommendation: Item Lifecycle as a Control Knob [11.023574014254663]
  本稿では,新しい制御ノブ,すなわちアイテムのライフサイクルを導入することで,公平性に配慮したインタラクティブなレコメンデーションを再考する。 ライフサイクルを意識した階層型強化学習フレームワークであるLHRLを紹介する。 複数の実世界のインタラクティブなレコメンデーションの実験では、LHRLは公平性とユーザエンゲージメントの両方を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-11-20T11:27:04Z)
• 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)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Multimodal Fusion And Sparse Attention-based Alignment Model for Long Sequential Recommendation [9.086257183699418]
  マルチモーダルアイテムシーケンスとマイニング マルチモーダルユーザ興味は、コンテンツ理解とレコメンデーションのギャップを埋めることができます。 本稿では,ムルティモダル核融合とスパースアテンションに基づくアライメントモデルであるMUFASAを提案する。 実世界のベンチマーク実験では、MUFASAが最先端のベースラインを一貫して超越していることが示されている。
  論文  参考訳（メタデータ） (2025-08-13T09:50:44Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Concept Matching with Agent for Out-of-Distribution Detection [19.407364109506904]
  本稿では,エージェントパラダイムをアウト・オブ・ディストリビューション(OOD)検出タスクに統合する手法を提案する。 提案手法であるConcept Matching with Agent (CMA) は、CLIPに基づくOOD検出プロセスを強化するために、中性プロンプトをエージェントとして利用する。 実験結果から, ゼロショット法とトレーニング要求法の両方よりもCMAの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-27T02:27:28Z)

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。