論文の概要: The User Asks, Platforms Compete: How Agentic Recommendation Markets Take Shape

• arxiv url: http://arxiv.org/abs/2607.25253v1
• Date: Tue, 28 Jul 2026 03:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.699211
• Title: The User Asks, Platforms Compete: How Agentic Recommendation Markets Take Shape
• Title（参考訳）: ユーザー要求とプラットフォームが競合する:エージェント推奨市場がいかに形づくられるか
• Authors: Deyao Hong, Kehan Zheng, Qian Li, Jun Zhang, Jie Jiang, Hongning Wang,
• Abstract要約: LLMベースのユーザエージェントは、異なるレコメンデーションプロセスを可能にする。 ユーザはプラットフォームを選択する前にニーズを指定する。 この新しいレコメンデーション設定は、アクセスと注意の緊張を生じさせる。
• 参考スコア（独自算出の注目度）: 42.08046748080711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online recommendation has traditionally taken place after a user enters a platform, which determines the candidate pool and the ranking shown to the user. LLM-based user agents enable a different recommendation process: a user specifies a need before choosing a platform, leaving platforms to compete for the user's attention, which we refer to as an agentic recommendation market. In our controlled LLM-based experiments across three product domains, we find this new setting of recommendation creates a tension between access and attention. Compared with traditional platform-centric recommendation, user-centric recommendation greatly expands the opportunity for relevant items to enter comparison; yet broader participation does not translate directly into effective exposure. Competition directly triggers platforms' strategic play: selectively positive explanations occupy 73--78% of first-ranked positions. When the user agent relates platforms' actions to subsequent user feedback, this share falls to 36--41%, while the chance of a user purchasing the relevant item increases. A user agent is therefore more than a ranker over a larger pool of candidates: its querying, ranking, and feedback mechanism governing who can compete, how scarce attention is allocated, and how earlier outcomes shape the evaluation of platforms directly affect user utility. Designing agentic recommendation therefore requires treating access, attention, and accountability as a joint mechanism design problem.
• Abstract（参考訳）: オンラインレコメンデーションは、ユーザーがプラットフォームに入ると伝統的に行われ、候補プールと表示されたランキングを決定する。 LLMベースのユーザエージェントは、異なるレコメンデーションプロセスを可能にする。ユーザはプラットフォームを選択する前にニーズを指定し、私たちがエージェントレコメンデーション市場と呼ぶユーザの注意を競うプラットフォームを残します。 LLMをベースとした3つのプロダクトドメインを対象としたコントロール実験では、この新しい推奨設定によって、アクセスと注意の緊張が生まれます。 従来のプラットフォーム中心のレコメンデーションと比較して、ユーザ中心のレコメンデーションは、関連するアイテムが比較に入る機会を大幅に拡大します。 競争はプラットフォームの戦略的な役割を直接引き起こす: 選択的な肯定的な説明は、ファーストランクの73～78%を占める。 ユーザエージェントがプラットフォームの動作とその後のユーザフィードバックを関連付けると、このシェアは36～41%に減少し、ユーザが関連するアイテムを購入する確率は増加する。 したがって、ユーザエージェントは、誰が競争できるかを規定するクエリ、ランキング、フィードバックのメカニズム、どれだけ注意が割り当てられていないか、そして、より初期の結果が、プラットフォームの評価がユーザーユーティリティに直接影響を及ぼすかといった、より大きな候補のプールよりも上位にある。 したがって、エージェントレコメンデーションを設計するには、アクセス、注意、説明責任を共同メカニズム設計の問題として扱う必要がある。

関連論文リスト

• 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)
• iAgent: LLM Agent as a Shield between User and Recommender Systems [33.289547118795674]
  レコメンダシステムは、通常、ユーザーがプラットフォームレコメンデーションアルゴリズムの制御下で直接露出される、ユーザープラットフォームパラダイムを取り入れている。 本稿では,エージェントがユーザとレコメンダシステムの間の保護シールドとして機能する,新しいユーザエージェントプラットフォームパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-02-20T15:58:25Z)
• Agentic Feedback Loop Modeling Improves Recommendation and User Simulation [55.857164472712455]
  本稿では,リコメンデーションエージェントとユーザエージェントの協調を支援するために,フィードバックループプロセスを強調する新しいフレームワークを提案する。 この反復的なプロセスは、両方のエージェントがユーザの振る舞いを推測する能力を高め、より効果的なアイテムレコメンデーションとより正確なユーザーシミュレーションを可能にします。
  論文  参考訳（メタデータ） (2024-10-26T00:51:39Z)
• Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence [54.13541697801396]
  我々は,PRSN(Proactive Recommendation in Social Networks)という新しいタスクを提案する。 PRSNは、社会的隣人の影響力を生かして、間接的に利用者の関心を喚起する。 本稿では,2つの主要なモジュールを持つNighbor Interference Recommendation (NIRec) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-13T15:53:40Z)
• User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
  本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。 本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。 これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
  論文  参考訳（メタデータ） (2024-04-28T21:09:52Z)

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。