論文の概要: Do Recommendation Algorithms Work When Users Are LLM Agents? A Case Study on Moltbook

• arxiv url: http://arxiv.org/abs/2606.29762v1
• Date: Mon, 29 Jun 2026 04:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.036907
• Title: Do Recommendation Algorithms Work When Users Are LLM Agents? A Case Study on Moltbook
• Title（参考訳）: LLMエージェントの場合の推薦アルゴリズムは有効か? : モルトブックを事例として
• Authors: Daming Li, Simeng Han, Jialu Zhang,
• Abstract要約: 大規模言語モデル(LLM)エージェントはますますWebプラットフォームに浸透している。 ユーザーがコンテンツ消費の嗜好を十分に定義していないLLMエージェントであるときに、人間のユーザのために設計されたアルゴリズムは依然として機能するのか? 我々は,自律型AIエージェント専用の大規模ソーシャルメディアプラットフォームであるMoltbook上で,フォーラムレコメンデーション問題を定式化することによって,この問題を研究する。
• 参考スコア（独自算出の注目度）: 4.30712325390937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents are increasingly populating web platforms, raising a fundamental question for recommender systems: do algorithms designed for human users still work when users are LLM agents that may not have well-defined content consumption preferences? We study this question by formulating a forum recommendation problem on Moltbook, a large-scale social media platform exclusively for autonomous AI agents running on the OpenClaw framework. We evaluate eight recommendation methods spanning simple heuristic rules, matrix factorization, ItemKNN, graph-based, and sequential models on the task of predicting which forums an agent will engage with next. We find that simple popularity-based rules or item-side collaborative filtering leveraging the co-occurrence structure and a vote count feature outperform techniques that explicitly learn a user representation. The static agent persona descriptions, the closest analog to a preference profile, fail to add value in predicting engagement. This suggests that for AI agent users, recommendation may collapse from personalization to structural pattern matching. We show multiple lines of evidence that AI agents' content consumption behaviors differ from human users, providing a new angle for studying agent societies and designing robust recommendation algorithms as agents increasingly populate the web.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントはますますWebプラットフォームに浸透し、推奨システムに対する根本的な疑問を提起している。 我々は,OpenClawフレームワーク上で動作する自律型AIエージェント専用の大規模ソーシャルメディアプラットフォームであるMoltbook上で,フォーラムレコメンデーション問題を定式化することによって,この問題を研究する。 エージェントが次に関与するフォーラムを予測するタスクにおいて、単純なヒューリスティックルール、行列分解、ItemKNN、グラフベース、シーケンシャルモデルにまたがる8つのレコメンデーション手法を評価する。 ユーザ表現を明示的に学習する手法として,共起構造と投票数機能を利用したシンプルな人気ベースルールや項目側協調フィルタリングが有用であることがわかった。 好みプロファイルに最も近い静的エージェントペルソナ記述は、エンゲージメントの予測に価値を加えることができない。 これはAIエージェントのユーザにとって、リコメンデーションがパーソナライズから構造パターンマッチングに崩壊する可能性があることを示唆している。 我々は、AIエージェントのコンテンツ消費行動がユーザーと異なるという複数の証拠を示し、エージェント社会の研究と、エージェントがますますWebに浸透するにつれて、堅牢なレコメンデーションアルゴリズムを設計するための新しい角度を提供する。

関連論文リスト

• From Intent to Execution: Composing Agentic Workflows with Agent Recommendation [1.462945824459286]
  本稿では,マルチエージェントシステムの自動作成のためのフレームワークを提案する。 提案するフレームワークは,必要なタスク固有のアプリケーションをオーケストレーションするソフトウェアモジュールとワークフローで構成されている。
  論文  参考訳（メタデータ） (2026-05-05T17:08:26Z)
• How can we assess human-agent interactions? Case studies in software agent design [52.953425368394306]
  我々は,人間とエージェントの相互作用の厳密な評価に向けて,二つの大きな一歩を踏み出した。 エージェント設計のより効率的な人間中心評価のためのフレームワークであるPULSEを提案する。 私たちは、オープンソースのソフトウェアエージェントOpenHandsを中心に構築された大規模なWebプラットフォームにフレームワークをデプロイします。
  論文  参考訳（メタデータ） (2025-10-10T19:04:28Z)
• 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)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)

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。