論文の概要: TRACE: A Conversational Framework for Sustainable Tourism Recommendation with Agentic Counterfactual Explanations

• arxiv url: http://arxiv.org/abs/2604.14223v1
• Date: Tue, 14 Apr 2026 12:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.92358
• Title: TRACE: A Conversational Framework for Sustainable Tourism Recommendation with Agentic Counterfactual Explanations
• Title（参考訳）: TRACE:持続可能な観光レコメンデーションのための対話型フレームワーク
• Authors: Ashmi Banerjee, Adithi Satish, Wolfgang Wörndl, Yashar Deldjoo,
• Abstract要約: TRACE(Tourism Recommendation with Agentic Counterfactual Explanations)は,対話型ヌードによる持続可能な観光を促進する多エージェントフレームワークである。 TRACEはモジュール型のオーケストレータ-ワーカアーキテクチャを使用しており、特殊なエージェントは潜伏した持続可能性の嗜好を引き出す。 重要なイノベーションは、エージェントの対実的説明とLLM主導の明確な質問の使用である。
• 参考スコア（独自算出の注目度）: 6.621724482486496
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traditional conversational travel recommender systems primarily optimize for user relevance and convenience, often reinforcing popular, overcrowded destinations and carbon-intensive travel choices. To address this, we present TRACE (Tourism Recommendation with Agentic Counterfactual Explanations), a multi-agent, LLM-based framework that promotes sustainable tourism through interactive nudging. TRACE uses a modular orchestrator-worker architecture where specialized agents elicit latent sustainability preferences, construct structured user personas, and generate recommendations that balance relevance with environmental impact. A key innovation lies in its use of agentic counterfactual explanations and LLM-driven clarifying questions, which together surface greener alternatives and refine understanding of intent, fostering user reflection without coercion. User studies and semantic alignment analyses demonstrate that TRACE effectively supports sustainable decision-making while preserving recommendation quality and interactive responsiveness. TRACE is implemented on Google's Agent Development Kit, with full code, Docker setup, prompts, and a publicly available demo video to ensure reproducibility. A project summary, including all resources, prompts, and demo access, is available at https://ashmibanerjee.github.io/trace-chatbot.
• Abstract（参考訳）: 伝統的な会話旅行推薦システムは、主に利用者の妥当性と利便性を最適化し、しばしば人気があり、混雑している目的地と炭素集約的な旅行選択を補強する。 そこで我々は,対話型ヌードによる持続可能な観光を促進する多エージェントLLMベースのフレームワークであるTRACE(Tourism Recommendation with Agentic Counterfactual Explanations)を提案する。 TRACEはモジュール型オーケストレータ・ワーカアーキテクチャを使用しており、特殊なエージェントが潜伏した持続可能性の嗜好を導き出し、構造化されたユーザペルソナを構築し、環境への影響とのバランスをとるレコメンデーションを生成する。 重要なイノベーションは、エージェントの反事実的説明とLLMが主導する明確な質問の使用である。 ユーザスタディとセマンティックアライメント分析は、TRACEが推奨品質と対話的応答性を保ちながら、持続可能な意思決定を効果的にサポートすることを示した。 TRACEはGoogleのエージェント開発キットに実装されており、完全なコード、Dockerセットアップ、プロンプト、再現性を保証するために公開されたデモビデオがある。 すべてのリソース、プロンプト、デモアクセスを含むプロジェクトの概要はhttps://ashmibanerjee.github.io/trace-chatbot.comで公開されている。

関連論文リスト

• Deep Research for Recommender Systems [74.44288812684448]
  本稿では,従来の項目リストを包括的,ユーザ中心のレポートに置き換える,推薦のための新しいディープリサーチパラダイムを提案する。 我々はこのパラダイムをRecPilotという,項目空間を自律的に探索するユーザトラジェクトリシミュレーションエージェントと,ユーザ決定を支援するための一貫性のある解釈可能なレポートに合成する自己進化レポート生成エージェントという,2つのコアコンポーネントからなるマルチエージェントフレームワークを通じてインスタンス化する。
  論文  参考訳（メタデータ） (2026-03-08T12:33:04Z)
• RecoWorld: Building Simulated Environments for Agentic Recommender Systems [55.979427290369216]
  エージェントレコメンデータシステムに適したシミュレーション環境を構築するための青写真であるRecoWorldを提示する。 ユーザシミュレータは、推奨項目をレビューし、その考え方を更新し、潜在的なユーザ切り離しを感知すると、反射指示を生成する。 エージェント推奨者は、これらのユーザ命令と推論トレースを取り入れ、ダイナミックなフィードバックループを作成することで、そのレコメンデーションに適応する。
  論文  参考訳（メタデータ） (2025-09-12T16:44:34Z)
• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫した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） (2025-07-30T17:55:06Z)
• Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent [56.61028117645315]
  本稿では,蒸留した思考パターンを通じて複雑なユーザ意図に対処する,思考増強型対話型推薦エージェントシステム(TAIRA)を提案する。 具体的には、ユーザニーズを分解し、サブタスクを計画することでレコメンデーションタスクを編成するマネージャエージェントを備えたLLM方式のマルチエージェントシステムとして設計されている。 複数のデータセットにまたがる包括的な実験により、IRAは既存の手法に比べて大幅に性能が向上した。
  論文  参考訳（メタデータ） (2025-06-30T03:15:50Z)
• AgentRecBench: Benchmarking LLM Agent-based Personalized Recommender Systems [17.329692234349768]
  エージェントレコメンデータシステムはLarge Language Models (LLM)を利用している LLMの高度な推論とロールプレイング能力は、自律的で適応的な意思決定を可能にする。 この分野では、これらの手法を評価するための標準化された評価プロトコルが欠けている。
  論文  参考訳（メタデータ） (2025-05-26T07:45:11Z)
• SynthTRIPs: A Knowledge-Grounded Framework for Benchmark Query Generation for Personalized Tourism Recommenders [6.910185679055651]
  本稿では,Large Language Models (LLMs) を用いた合成旅行クエリ生成のための新しいSynthTRIPsフレームワークを提案する。 我々のアプローチは、人格に基づく好み(予算、旅行スタイルなど)と明確な持続可能性フィルタ(歩行性、空気質など)を組み合わせることで、現実的で多様なクエリを生成する。 本手法は他の推奨システムドメインにも適用した。
  論文  参考訳（メタデータ） (2025-04-12T16:48:35Z)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)

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。