論文の概要: Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2608.06632v1
• Date: Thu, 06 Aug 2026 22:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.301426
• Title: Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation
• Title（参考訳）: フィードの形状:会話推薦のためのLLMベースのエージェントシステム
• Abstract要約: Shape Your Feed (SYF)は、リアルタイムでマルチモーダルなコンテンツのコキュレーションを可能にするエージェントレコメンデーションフレームワークである。 SYFは、(i)テキストプロンプト、音声コマンド、UIインタラクションからユーザ意図をキャプチャする知覚フロー、(ii)リアルタイムエージェントによる候補項目の再ランク付けとプルーニングを行うServing Flow、(iii)システム動作と人間の判断を一致させる自己進化フローという3階層のアーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 18.690831845179797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial recommendation systems predominantly adopt a passive ranking paradigm that infers user preferences from implicit behavioral signals (e.g., clicks, dwell time) rather than explicit, natural language inputs. As a result, users experience a persistent discrepancy between their explicit interests and what passive behavioral algorithms deliver, limiting their ability to express nuanced preferences or steer their feed in real time. To address this growing gap between how recommendations are optimized and how users wish to articulate their interests, we present Shape Your Feed (SYF), an LLM-based agentic recommendation framework that enables real-time, multimodal co-curation of content. SYF employs a three-tier architecture: (i) a Perception Flow that captures fine-grained user intent from text prompts, voice commands, and UI interactions; (ii) a Serving Flow that performs real-time agentic re-ranking and pruning of candidate items, grounded in a persistent Semantic Profile encoding evolving user preferences; and (iii) a Self-Evolution Flow that aligns system behavior with human judgments via Direct Preference Optimization (DPO) and an LLM-as-a-Judge ensemble. Offline evaluations show that SYF's alignment scoring module achieves 98.85% accuracy, substantially improving over strong few-shot baselines. Large-scale online A/B experiments on production traffic further demonstrate that SYF improves feed relevance and user sentiment, indicating a practical and scalable path toward interactive, user-steerable recommendation in industrial settings.
• Abstract（参考訳）: 産業レコメンデーションシステムは、明示的な自然言語入力ではなく、暗黙的な行動信号(例えば、クリック、居住時間)からユーザの好みを推測するパッシブランキングパラダイムを主に採用している。 その結果、ユーザは、明示的な関心と受動的行動アルゴリズムがもたらすものとの間に永続的な不一致を経験し、微妙な好みを表現したり、フィードをリアルタイムで操ったりできる能力を制限することができる。 LLMベースのエージェントレコメンデーションフレームワークであるShape Your Feed(SYF)を紹介します。 SYFは3層アーキテクチャを採用している。 i) テキストプロンプト,音声コマンド,UIインタラクションから,きめ細かいユーザ意図をキャプチャする知覚フロー。 二 ユーザの嗜好の進化を図った永続的セマンティックプロファイルにおいて、候補項目のリアルタイムなエージェント的再ランク付け及びプルーニングを行うサービングフロー 三 直接選好最適化(DPO)及びLCM-as-a-Judgeアンサンブルを介して、システム行動と人間の判断を整合させる自己進化フロー。 オフライン評価では、SYFのアライメントスコアリングモジュールは98.85%の精度で、強力な数発のベースラインよりも大幅に改善されている。 大規模オンラインA/B実験は、SYFがフィードの関連性やユーザ感情を改善し、産業環境における対話的かつユーザ選択可能なレコメンデーションへの実践的かつスケーラブルな道を示すことをさらに示している。

関連論文リスト

• Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback [46.88440233575785]
  我々は,次世代のLarge Language Models(LLM)ベースのRecSysにおいて,明示的な文脈フィードバックの優先順位付けを提唱する。 よりパーソナライズされ、透明で、説明可能なRecSysオンラインプラットフォームを促進することを目指している。
  論文  参考訳（メタデータ） (2026-05-27T22:10:33Z)
• 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)
• Effectiveness of LLMs in Temporal User Profiling for Recommendation [2.7543979996398513]
  本稿では,Large Language Models (LLMs) を利用して時間的ダイナミクスを捉える能力について検討する。 LLMは、よりアクティブなユーザエンゲージメントを持つドメインの推奨品質を改善する傾向にあるが、スペーサー環境では、そのメリットが顕著でないことが示唆されている。
  論文  参考訳（メタデータ） (2025-10-31T18:28:40Z)
• Interactive Recommendation Agent with Active User Commands [35.77744269746443]
  本稿では、主流の推薦フィード内で自然言語コマンドを可能にする先駆的なパラダイムであるInteractive Recommendation Feed(IRF)を紹介する。 ユーザが暗黙的な行動の影響を受動的に抑制する従来のシステムとは異なり、IRFはリアルタイム言語コマンドを通じて推奨ポリシーを積極的に制御する。 RecBotは、ユーザ満足度とビジネス成果の両方において、大幅に改善されている。
  論文  参考訳（メタデータ） (2025-09-25T15:38:27Z)
• 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)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
  我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。 我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
  論文  参考訳（メタデータ） (2025-05-01T22:02:46Z)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)

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。