論文の概要: Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems

• arxiv url: http://arxiv.org/abs/2603.26100v1
• Date: Fri, 27 Mar 2026 06:14:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.37228
• Title: Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems
• Title（参考訳）: 勧告パラダイムの再考:パイプラインからエージェントレコメンダシステムへ
• Authors: Jinxin Hu, Hao Deng, Lingyu Mu, Hao Zhang, Shizhun Wang, Yu Zhang, Xiaoyi Zeng,
• Abstract要約: 大規模産業推薦者は、通常固定された多段パイプライン(リコール、ランク付け、再ランク付け)を使用する。 本稿では,キーモジュールをエージェントとして再編成するエージェントレコメンダシステム(AgenticRS)を提案する。
• 参考スコア（独自算出の注目度）: 12.522583427934796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale industrial recommenders typically use a fixed multi-stage pipeline (recall, ranking, re-ranking) and have progressed from collaborative filtering to deep and large pre-trained models. However, both multi-stage and so-called One Model designs remain essentially static: models are black boxes, and system improvement relies on manual hypotheses and engineering, which is hard to scale under heterogeneous data and multi-objective business constraints. We propose an Agentic Recommender System (AgenticRS) that reorganizes key modules as agents. Modules are promoted to agents only when they form a functionally closed loop, can be independently evaluated, and possess an evolvable decision space. For model agents, we outline two self-evolution mechanisms: reinforcement learning style optimization in well-defined action spaces, and large language model based generation and selection of new architectures and training schemes in open-ended design spaces. We further distinguish individual evolution of single agents from compositional evolution over how multiple agents are selected and connected, and use a layered inner and outer reward design to couple local optimization with global objectives. This provides a concise blueprint for turning static pipelines into self-evolving agentic recommender systems.
• Abstract（参考訳）: 大規模産業レコメンダは通常、固定されたマルチステージパイプライン(リコール、ランク付け、再ランク付け)を使用し、協調フィルタリングから深層および大規模事前訓練モデルへと進展した。 モデルはブラックボックスであり、システムの改善は手動の仮説とエンジニアリングに依存している。 本稿では,キーモジュールをエージェントとして再編成するエージェントレコメンダシステム(AgenticRS)を提案する。 モジュールは、機能的に閉じたループを形成するときのみエージェントに昇格し、独立に評価され、進化可能な決定空間を持つ。 モデルエージェントには、よく定義されたアクション空間における強化学習スタイルの最適化と、オープンエンドデザイン空間における新しいアーキテクチャとトレーニングスキームの生成と選択の2つの自己進化メカニズムを概説する。 さらに,複数エージェントの選択と接続に関する構成的進化から,個々のエージェントの個々の進化を区別し,グローバルな目的と局所的な最適化を両立させるために層内および外的報酬設計を用いる。 これは静的パイプラインを自己進化型エージェントレコメンデータシステムに変換するための簡潔な青写真を提供する。

関連論文リスト

• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models [78.73992315826035]
  ネイティブエージェントインテリジェンスと高い計算効率を調和させる軽量言語モデルであるYoutu-LLMを紹介する。 Youtu-LLMは、スクラッチから体系的に推論と計画能力の育成まで事前訓練されている。
  論文  参考訳（メタデータ） (2025-12-31T04:25:11Z)
• 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)
• A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
  既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。 近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。 この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-08-10T16:07:32Z)
• An Agentic Framework for Autonomous Metamaterial Modeling and Inverse Design [2.66269503676104]
  フォトニックメタマテリアルの逆設計のためのフレームワークを開発し,実証する。 フレームワークの有効性は、自動化、推論、計画、適応の能力で実証されている。 特に、Agenic Frameworkは内部のリフレクションと決定の柔軟性を持ち、高度に多様性があり、潜在的に新しい出力を可能にする。
  論文  参考訳（メタデータ） (2025-06-07T22:10:05Z)
• Agentic Feature Augmentation: Unifying Selection and Generation with Teaming, Planning, and Memories [18.77751646793861]
  本稿では,特徴生成と選択の統一をエージェントチームと計画としてモデル化したエージェント機能拡張概念を提案する。 具体的には、冗長な特徴を除去するセレクタエージェントと、情報的新しい次元を生成するジェネレータエージェントと、その動作を戦略的に調整するルータエージェントからなる、長短期記憶付きマルチエージェントシステム(MAGS)を開発する。
  論文  参考訳（メタデータ） (2025-05-21T03:49:24Z)
• Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments [0.4640835690336653]
  マルチドメインタスク環境における最適なエージェント選択のためのニューラルネットワークフレームワークであるMetaOrchを提案する。 ファジィ評価モジュールは、完全性、妥当性、信頼度に沿ってエージェント応答をスコアし、オーケストレータを訓練するためのソフトインスペクタラベルを生成する。 異種剤を用いた模擬環境実験により, 提案手法が86.3%の選択精度を達成できた。
  論文  参考訳（メタデータ） (2025-05-03T02:58:25Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)

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。