論文の概要: AgentGR: Semantic-aware Agentic Group Decision-Making Simulator for Group Recommendation

• arxiv url: http://arxiv.org/abs/2605.10367v1
• Date: Mon, 11 May 2026 11:10:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.754468
• Title: AgentGR: Semantic-aware Agentic Group Decision-Making Simulator for Group Recommendation
• Title（参考訳）: AgentGR:Semantic-Aware Agentic Group Decision-Making Simulator for Group Recommendation
• Authors: Yangtao Zhou, Wenhao You, Hua Chu, Shihao Guo, Jianan Li, Zhifu Zhao, Qingshan Li,
• Abstract要約: Group Recommendation (GR) は、モダンなソーシャルプラットフォームにおいて重要なコンポーネントとなっているユーザグループにアイテムを提案することを目的としている。 本稿では,グループ推薦のためのエージェントグループ意思決定シミュレータであるエージェントGRを提案する。 メンバーロールプレイングのための協調的セマンティックなユーザ好みを共同でキャプチャし、動的グループインタラクションをシミュレートして、実世界のグループ意思決定プロセスを反映することを目的としている。
• 参考スコア（独自算出の注目度）: 9.65582609558242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Group Recommendation (GR) aims to suggest items to a group of users, which has become a critical component of modern social platforms. Existing GR methods focus on aggregating individual user preferences with advanced neural networks to infer group preferences. Despite effectiveness, they essentially treat group preference learning as a simple preference aggregation process, failing to capture the complex dynamics of real-world group decision-making. To address these limitations, we propose AgentGR, a novel Semantic-aware Agentic Group Decision-Making Simulator for Group Recommendations, inspired by the semantic reasoning and human behavior simulation capabilities of LLM-driven agents. It aims to jointly capture collaborative-semantic user preferences for member-role-playing and simulate dynamic group interactions to reflect real-world group decision-making processes, thereby boosting recommendation performance. Specifically, to capture collaborative-semantic user preferences, we introduce a semantic meta-path guided chain-of-preference reasoning mechanism that integrates high-order collaborative filtering signals and textual semantics to improve user preference profiles. To model the complex dynamics of group decision-making, we first recognize group topic and leadership to explicitly model the influencing factors within the group decision processes. Building on these, we simulate group-level decision dynamics via two multi-agent simulation strategies for recommendations: a static workflow-based strategy for efficiency and a dynamic dialogue-based strategy for precision. Extensive experiments on two real-world datasets show that AgentGR significantly outperforms state-of-the-art baselines in both recommendation accuracy and group decision simulation, highlighting its potential for real-world GR applications.
• Abstract（参考訳）: Group Recommendation (GR) は、モダンなソーシャルプラットフォームにおいて重要なコンポーネントとなっているユーザグループにアイテムを提案することを目的としている。 既存のGRメソッドは、グループ嗜好を推測するために、高度なニューラルネットワークで個々のユーザの嗜好を集約することに焦点を当てている。 有効性にも拘わらず、グループ選好学習を単純な選好集約プロセスとして扱うが、実世界のグループ意思決定の複雑なダイナミクスを捉えていない。 これらの制約に対処するために,LLM駆動エージェントのセマンティック推論と人間の行動シミュレーション能力に触発された,新しいセマンティック・アウェア・エージェント・グループ意思決定シミュレータであるAgentGRを提案する。 メンバーロールプレイングのための協調的セマンティックなユーザ好みを共同でキャプチャし、動的グループインタラクションをシミュレートして、実世界のグループ意思決定プロセスを反映し、レコメンデーションパフォーマンスを高めることを目的としている。 具体的には,コラボレーティブ・セマンティックなユーザの嗜好を捉えるために,高次協調フィルタリング信号とテキスト・セマンティックスを統合したセマンティック・メタパスガイド型連鎖参照推論機構を導入する。 グループ意思決定の複雑なダイナミクスをモデル化するために、まずグループトピックとリーダーシップを認識し、グループ決定プロセスにおける影響要因を明示的にモデル化する。 これらに基づいて,2つのマルチエージェントシミュレーション戦略を用いてグループレベルの決定力学をシミュレートし,効率性のための静的ワークフローベースの戦略と精度のための動的対話ベースの戦略を提案する。 2つの実世界のデータセットに対する大規模な実験により、AgentGRは推奨精度とグループ決定シミュレーション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おり、実世界のGRアプリケーションの可能性を強調している。

関連論文リスト

• Simulating Organized Group Behavior: New Framework, Benchmark, and Analysis [49.796228341744076]
  実践的な観点から,集団を集合体としてモデル化するタスクを提案する。 実世界8,052のコンテキスト-決定ペアを持つ44のエンティティを対象とするベンチマークであるGROVEを提案する。 また,包括的意思決定イベントを解釈可能,適応的,トレース可能な行動モデルに変換する構造解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T20:04:33Z)
• DALI: LLM-Agent Enhanced Dual-Stream Adaptive Leadership Identification for Group Recommendations [5.213194468942453]
  グループレコメンデーションシステムは、様々な文脈における集団決定を支援する上で重要な役割を果たしている。 既存のグループレコメンデーションアプローチでは、手作りのアグリゲーションルールまたはニューラルアグリゲーションモデルを使用するのが一般的である。 本稿では,LLMのシンボリック推論能力とニューラルネットワークに基づく表現学習を組み合わせた,DALI(Dual-stream Adaptive Leadership Identification)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T12:47:17Z)
• 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)
• GRPO-RM: Fine-Tuning Representation Models via GRPO-Driven Reinforcement Learning [52.16150076582931]
  我々は、表現モデル(GRPO-RM)のためのグループ相対ポリシー最適化を提案する。 我々の手法は,大規模言語モデル(LLM)におけるトークンシーケンスサンプリングを機能的に置き換えるための事前定義された出力セットを確立する。 特殊報酬関数は表現モデルの性質を満たすように設計されている。
  論文  参考訳（メタデータ） (2025-11-19T09:19:39Z)
• 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)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• Group Preference Alignment: Customized LLM Response Generation from In-Situ Conversations [36.29709573877113]
  グループ選好アライメントは、ユーザグループ間での会話選好における文脈固有のバリエーションを特定する。 当社のフレームワークは,ユーザの好みに対する出力のアライメントを大幅に改善し,ベースライン手法よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T04:32:54Z)
• Harnessing Large Language Models for Group POI Recommendations [41.83514903171133]
  グループPOIレコメンデーションシステムは、複数のユーザの集団的嗜好を満たすことを目的としている。 既存のアプローチは、2つの大きな課題に直面している。 グループPOIレコメンデーションに大規模言語モデルを活用する新しいフレームワークであるLLMGPRを提案する。
  論文  参考訳（メタデータ） (2024-11-20T16:02:14Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。