論文の概要: Personalized Recommendation Tool Learning via Autonomous Language Agents
- arxiv url: http://arxiv.org/abs/2607.19739v1
- Date: Wed, 22 Jul 2026 04:10:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.974862
- Title: Personalized Recommendation Tool Learning via Autonomous Language Agents
- Title（参考訳）: 自律型言語エージェントによるパーソナライズされた推薦ツール学習
- Abstract要約: 本稿では、エージェントベースの推薦フレームワークである、メモリベースの$textbfP$ersonalized $textbfR$ecommendation $textbfT$ool learning via autonomous language $textbfA$gents (PRTA)を提案する。
エージェントはハイレベルな推論とパーソナライズされたツール選択を担当し、従来のレコメンデーションモデルはフルランクスコアを実行する。
3つの公開データセットにわたる大規模な実験は、従来のレコメンデーションよりもモデル名の方が優れていること、フルレベルのレコメンデーションパフォーマンスを改善するためのLLMベースのベースラインを示している。
- 参考スコア（独自算出の注目度）: 14.066663148493745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although large language models (LLMs) have recently gained traction in recommender systems due to their strong reasoning capabilities and extensive world knowledge, previous LLM-based agents suffer from hallucination and context-length limitations, and thus are not suitable for full-ranking recommendation tasks. To circumvent these limitations through architectural design rather than modifying the LLM itself, we propose an agent-based recommendation framework, memory-based $\textbf{P}$ersonalized $\textbf{R}$ecommendation $\textbf{T}$ool learning via autonomous language $\textbf{A}$gents (PRTA), in which an LLM acts as a central planner interacting with multiple recommendation models as tools. The LLM-based agent is responsible for high-level reasoning and personalized tool selection, while traditional recommendation models perform full-ranking scoring, leveraging their scalability in modeling behavioral patterns. To support personalized tool selection, we design reflection mechanisms that enable the agent to evaluate and compare tools for each user based on user profiles and candidate ranked lists. Extensive experiments across three public datasets demonstrate the superiority of \modelname over traditional recommendation and LLM-based baselines in improving full-ranking recommendation performance.
- Abstract（参考訳）: 大規模言語モデル (LLM) は, 強い推論能力と広い世界知識により, 推薦システムにおいて近年注目を集めているが, 従来の LLM ベースのエージェントは幻覚や文脈長の制限に悩まされており, 完全なレコメンデーションタスクには適さない。
LLM自体を変更するのではなく、これらの制限を回避するために、エージェントベースのレコメンデーションフレームワークである、メモリベースの$\textbf{P}$ersonalized $\textbf{R}$ecommendation $\textbf{T}$ool learning via autonomous language $\textbf{A}$gents (PRTA)を提案する。
LLMベースのエージェントは、ハイレベルな推論とパーソナライズされたツール選択に責任を持ち、従来のレコメンデーションモデルは、行動パターンのモデリングにおけるスケーラビリティを活用して、完全なスコア付けを行う。
個人化されたツール選択を支援するために,ユーザプロファイルと候補ランキングに基づいて,エージェントが各ユーザのツールを評価・比較できるリフレクション機構を設計する。
3つの公開データセットにわたる大規模な実験は、従来のレコメンデーションよりも \modelname の方が優れていること、フルレベルのレコメンデーションパフォーマンスを改善するためのLLMベースのベースラインを示している。
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) - AgentDR Dynamic Recommendation with Implicit Item-Item Relations via LLM-based Agents [42.177723613925146]
本稿では,LLM推論をスケーラブルなレコメンデーションツールでブリッジする新しいLLMエージェントフレームワークであるAgenDRを提案する。
提案手法は,複数のレコメンデーション出力を統合するためにLLMを活用しながら,従来のモデルに上位タスクを委譲する。
我々のフレームワークは、その基盤となるツールよりも平均して2倍改善され、優れたフルレベルのパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2025-10-07T05:48:05Z) - Architecture is All You Need: Improving LLM Recommenders by Dropping the Text [0.40964539027092917]
本稿では,大規模言語モデル (LLM) のアーキテクチャを用いて,層数と次元を削減したレコメンデータモデルを提案する。
この単純化されたアプローチは、従来のシーケンシャルレコメンデータモデルとPLMベースのレコメンデータモデルの両方を大幅に上回っていることがわかった。
論文 参考訳（メタデータ） (2025-06-18T19:18:49Z) - SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems [51.09233156090496]
ディープレコメンデータシステムのためのSurrogatE-Light特徴選択法
SELFは、大規模言語モデルからのセマンティック推論と、代理モデルからのタスク固有の学習を統合する。
実世界のレコメンデータプラットフォームからの3つの公開データセットに関する総合的な実験は、SELFの有効性を検証する。
論文 参考訳（メタデータ） (2024-12-11T16:28:18Z) - Let Me Do It For You: Towards LLM Empowered Recommendation via Tool Learning [57.523454568002144]
大きな言語モデル(LLM)は、常識的な推論と外部ツールの活用の能力を示している。
ツール学習を通じてLLMを活用したレコメンデーションのためのフレームワークであるToolRecを紹介する。
属性の粒度を探索するプロセスとして推薦プロセスを定式化する。
属性指向ツールには,ランクツールと検索ツールの2種類がある。
論文 参考訳（メタデータ） (2024-05-24T00:06:54Z) - RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。
本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。
効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
論文 参考訳（メタデータ） (2023-11-18T03:05:43Z) - Recommender AI Agent: Integrating Large Language Models for Interactive
Recommendations [53.76682562935373]
我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。
InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
論文 参考訳（メタデータ） (2023-08-31T07:36:44Z) - RecMind: Large Language Model Powered Agent For Recommendation [16.710558148184205]
RecMindは、ゼロショットパーソナライズされたレコメンデーションを慎重に計画する自律的なレコメンデーションエージェントである。
実験の結果,RecMind は既存のゼロ/フェーショット LLM ベースのレコメンデーションベースライン手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-08-28T04:31:04Z) - GenRec: Large Language Model for Generative Recommendation [41.22833600362077]
本稿では,テキストデータに基づく大規模言語モデル(LLM)を用いたレコメンデーションシステムに対する革新的なアプローチを提案する。
GenRecはLLMの理解機能を使ってコンテキストを解釈し、ユーザの好みを学習し、関連するレコメンデーションを生成する。
本研究は,レコメンデーションシステムの領域に革命をもたらす上で,LLMに基づくジェネレーティブレコメンデーションの可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-07-02T02:37:07Z) - A Survey on Large Language Models for Recommendation [77.91673633328148]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。
本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
論文 参考訳（メタデータ） (2023-05-31T13:51:26Z) - Recommendation as Instruction Following: A Large Language Model
Empowered Recommendation Approach [83.62750225073341]
我々は、大規模言語モデル(LLM)による指示としてレコメンデーションを考える。
まず、ユーザの好み、意図、タスクフォーム、コンテキストを自然言語で記述するための一般的な命令形式を設計する。
そして、39の命令テンプレートを手動で設計し、大量のユーザ個人化された命令データを自動的に生成する。
論文 参考訳（メタデータ） (2023-05-11T17:39:07Z)
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。