論文の概要: MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
- arxiv url: http://arxiv.org/abs/2604.20848v1
- Date: Wed, 11 Feb 2026 06:02:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.10313
- Title: MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
- Title（参考訳）: MATRAG: 説明可能なレコメンデーションのためのマルチエージェント透明検索生成
- Authors: Sushant Mehta,
- Abstract要約: MATRAGは、マルチエージェントコラボレーションと知識グラフ拡張検索を組み合わせた、説明可能なレコメンデーションを提供する新しいフレームワークである。
MATRAGは、動的嗜好プロファイルを構成するユーザモデリングエージェント、知識グラフから意味的特徴を抽出するアイテム分析エージェント、協調的およびコンテンツベースの信号を合成する推論エージェント、検索した知識に根ざした自然言語の正当化を生成する説明エージェントの4つの特殊エージェントを採用している。
我々のフレームワークは、説明の忠実さと妥当性を定量化する透明性スコアリング機構を組み込んでいる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Model (LLM)-based recommendation systems have demonstrated remarkable capabilities in understanding user preferences and generating personalized suggestions. However, existing approaches face critical challenges in transparency, knowledge grounding, and the ability to provide coherent explanations that foster user trust. We introduce MATRAG (Multi-Agent Transparent Retrieval-Augmented Generation), a novel framework that combined multi-agent collaboration with knowledge graph-augmented retrieval to deliver explainable recommendations. MATRAG employs four specialized agents: a User Modeling Agent that constructs dynamic preference profiles, an Item Analysis Agent that extracts semantic features from knowledge graphs, a Reasoning Agent that synthesizes collaborative and content-based signals, and an Explanation Agent that generates natural language justifications grounded in retrieved knowledge. Our framework incorporates a transparency scoring mechanism that quantifies explanation faithfulness and relevance. Extensive experiments on three benchmark datasets (Amazon Reviews, MovieLens-1M, and Yelp) demonstrate that MATRAG achieves state-of-the-art performance, improving recommendation accuracy by 12.7\% (Hit Rate) and 15.3\% (NDCG) over leading baselines, while human evaluation confirms that 87.4\% of generated explanations are rated as helpful and trustworthy by domain experts. Our work establishes new benchmarks for transparent, agentic recommendation systems and provides actionable insights for deploying LLM-based recommenders in production environments.
- Abstract（参考訳）: 大規模言語モデル(LLM)に基づくレコメンデーションシステムは、ユーザの好みを理解し、パーソナライズされた提案を生成する際、顕著な能力を示した。
しかし、既存のアプローチは、透明性、知識基盤、そしてユーザー信頼を促進する一貫性のある説明を提供する能力において、重要な課題に直面しています。
MATRAG(Multi-Agent Transparent Retrieval-Augmented Generation)は,知識グラフ拡張検索とマルチエージェントコラボレーションを組み合わせた,説明可能なレコメンデーションを提供する新しいフレームワークである。
MATRAGは、動的嗜好プロファイルを構成するユーザモデリングエージェント、知識グラフから意味的特徴を抽出するアイテム分析エージェント、協調的およびコンテンツベースの信号を合成する推論エージェント、検索した知識に根ざした自然言語の正当化を生成する説明エージェントの4つの特殊エージェントを採用している。
我々のフレームワークは、説明の忠実さと妥当性を定量化する透明性スコアリング機構を組み込んでいる。
3つのベンチマークデータセット(Amazon Reviews、MovieLens-1M、Yelp)の大規模な実験は、MATRAGが最先端のベースラインよりも12.7\%(Hit Rate)と15.3\%(NDCG)の推奨精度を向上し、最先端のパフォーマンスを達成することを示した。
我々の研究は、透明でエージェント的なレコメンデーションシステムのための新しいベンチマークを確立し、実運用環境にLLMベースのレコメンデーターをデプロイするための実用的な洞察を提供する。
関連論文リスト
- RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation [63.74915464611075]
RecThinkerはツール拡張推論を推奨するエージェントフレームワークである。
我々はRecThinker専用のツール群を開発し、モデルがユーザアイテム側および協調的な情報を取得することを可能にする。
論文 参考訳（メタデータ） (2026-03-10T16:07:17Z) - AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。
異種評価アーティファクトを、統一された正のみの相互作用データに変換する。
AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
論文 参考訳（メタデータ） (2026-03-04T06:17:51Z) - MADREC: A Multi-Aspect Driven LLM Agent for Explainable and Adaptive Recommendation [11.430206422495829]
マルチアスペクト駆動型LLMエージェントMADRecは、レビューからマルチアスペクト情報の教師なし抽出によってユーザとアイテムのプロファイルを構築する自動レコメンデータである。
MADRecはアスペクトカテゴリに基づく要約を通じて構造化プロファイルを生成し、高密度入力を構築するためにRe-Rankingを適用する。
複数の領域にわたる実験により、MADRecは従来のLCMベースのベースラインよりも精度と説明可能性の両方で優れていることが示された。
論文 参考訳（メタデータ） (2025-10-15T10:03:29Z) - ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation [9.099080929623156]
ARAGはPersonalized RecommendationのためのAgenic Retrieval-Augmented Generationフレームワークである。
ARAGはマルチエージェントのコラボレーションメカニズムをRAGパイプラインに統合する。
ARAGは標準的なRAGとリレーシベースのベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2025-06-27T05:45:59Z) - 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) - Prospect Personalized Recommendation on Large Language Model-based Agent
Platform [71.73768586184404]
本稿では,エージェントアイテムとエージェントレコメンダで構成されるRec4Agentverseという新しいレコメンデーションパラダイムを紹介する。
Rec4AgentverseはAgentItemsとAgent Recommenderのコラボレーションを強調し、パーソナライズされた情報サービスを促進する。
Rec4Agentverseのいくつかの症例に関する予備研究は、その応用の可能性を検証する。
論文 参考訳（メタデータ） (2024-02-28T11:12:17Z) - 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)
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。