論文の概要: MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation

• arxiv url: http://arxiv.org/abs/2607.25420v1
• Date: Tue, 28 Jul 2026 08:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.75682
• Title: MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation
• Title（参考訳）: MARS:リピートオーダー食品配達勧告のためのマルチエージェント再評価
• Authors: Jiahao Tian, Zhenkai Wang,
• Abstract要約: 大規模言語モデル (LLMs) はレコメンデーションシステムでますます使われているが、強い事前訓練されたバックボーンだけでどれだけの性能が得られるかは定かではない。 食品の再注文を推奨するモジュール型マルチエージェント・リグレード・フレームワークであるMARSを提案する。
• 参考スコア（独自算出の注目度）: 0.6875312133832079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used in recommender systems, but it is often unclear how much performance can be obtained from strong pre-trained backbones alone when they are placed inside a structured recommendation pipeline. In this paper, we present MARS, a modular multi-agent re-ranking framework for repeat-order food delivery recommendation. MARS serves as a controlled hybrid framework for studying how far pre-trained LLMs can go in this setting when combined with lightweight collaborative retrieval and contextual filtering. MARS performs coarse-to-fine recommendation in two stages: cuisine prediction followed by vendor ranking. The framework combines LightGCN-based global preference signals, Swing-based local peer evidence, geospatial filtering, and prompt-driven LLM reasoning over behavioral, temporal, and geographic context. We evaluate MARS on two real-world Delivery Hero benchmarks, DHRD-SE and DHRD-SG, and compare it against heuristic, sequential, graph-based, and food-delivery-specific baselines. We also provide detailed implementation and evaluation protocols, including prompting and decoding. Our study makes three contributions. First, it presents a modular multi-agent framework for repeat-order food delivery recommendation that integrates collaborative signals and LLM-based re-ranking in a transparent pipeline. Second, it shows that strong pre-trained backbones can already be competitive in repeat-order recommendation when paired with lightweight collaborative retrieval. Third, it establishes a reproducible evaluation setting for hybrid LLM recommenders in food delivery.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、レコメンデーションシステムでますます使われているが、構造化されたレコメンデーションパイプライン内に置かれるとき、強いトレーニング済みのバックボーンから、どの程度の性能が得られるかは、しばしば不明である。 本稿では,食品の繰り返し配送を推奨するモジュール型マルチエージェント・リグレード・フレームワークMARSを提案する。 MARSは、軽量な協調検索とコンテキストフィルタリングを組み合わせることで、事前学習されたLLMがどこまでこの環境で使えるかを研究するための、制御されたハイブリッドフレームワークとして機能する。 MARSは、料理予測とベンダーランキングの2段階で粗大な推奨を行う。 このフレームワークは、LightGCNベースのグローバルな選好信号、Swingベースのローカルなピアエビデンス、地理空間的フィルタリング、行動、時間的、地理的コンテキストに対するプロンプト駆動LLM推論を組み合わせたものである。 DHRD-SEとDHRD-SGの2つの実世界のDelivery HeroベンチマークでMARSを評価し、それをヒューリスティック、シーケンシャル、グラフベース、フードデリバリー特有のベースラインと比較した。 また、プロンプトやデコードを含む詳細な実装および評価プロトコルも提供する。 私たちの研究は3つの貢献をする。 まず、協調的な信号とLLMベースの再ランクを透過的なパイプラインで統合する、反復注文食品デリバリーレコメンデーションのためのモジュラーマルチエージェントフレームワークを提案する。 第二に、強力な事前訓練されたバックボーンは、軽量な協調検索と組み合わせることで、リピート順序のレコメンデーションにおいてすでに競合する可能性がある。 第3に、食品デリバリーにおけるハイブリッドLLMレコメンデーターの再現可能な評価設定を確立する。

関連論文リスト

• Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning [70.6126069527741]
  ConvRec-R1は会話レコメンデーションシステムのエンドツーエンドトレーニングのための2段階のフレームワークである。 ステージ1では,Remap-Reflect-Adjustパイプラインを用いた行動閉鎖データセットを構築した。 ステージ2では,グループ相対政策最適化の原則的拡張である Rank-GRPO を提案する。
  論文  参考訳（メタデータ） (2025-10-23T02:56:00Z)
• Beyond Semantic Understanding: Preserving Collaborative Frequency Components in LLM-based Recommendation [7.014265360936046]
  FreLLM4Recは、スペクトルの観点からの意味的および協調的な情報のバランスをとるために設計されたアプローチである。 4つのベンチマークデータセットの実験により、FreLLM4Recは協調的な信号減衰を軽減した。
  論文  参考訳（メタデータ） (2025-08-14T03:33:02Z)
• LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation [49.78419076215196]
  シーケンスレコメンデーションは、類似したユーザやアイテムの履歴行動から協調フィルタリング(CF)信号をモデル化することで、ユーザの将来のインタラクションを予測することを目的としている。 従来のシーケンシャルなレコメンダは、高次の共起パターンを通じてCF信号をキャプチャするIDベースの埋め込みに依存している。 大規模言語モデル(LLM)の最近の進歩は、テキスト記述からアイテム表現を導出するテキストベースのレコメンデーションアプローチを動機付けている。 理想的な埋め込みモデルは、ドメイン内およびドメイン外のレコメンデーションパフォーマンスを改善するために、CF信号とリッチなセマンティック表現をシームレスに統合すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-16T13:27:06Z)
• DeepRec: Towards a Deep Dive Into the Item Space with Large Language Model Based Recommendation [83.21140655248624]
  大型言語モデル (LLM) はレコメンダシステム (RS) に導入された。 本稿では, LLM と TRM の自律的マルチターンインタラクションを実現する新しい RS である DeepRec を提案する。 公開データセットの実験では、DeepRecは従来のものとLLMベースのベースラインの両方で大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-05-22T15:49:38Z)
• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)

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。