論文の概要: Personalized Communication Skills for Agentic Recommender Systems

• arxiv url: http://arxiv.org/abs/2608.08417v1
• Date: Sun, 09 Aug 2026 02:23:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.816945
• Title: Personalized Communication Skills for Agentic Recommender Systems
• Title（参考訳）: エージェントレコメンダシステムのためのパーソナライズドコミュニケーションスキル
• Abstract要約: AgentComはエージェント推奨システムのためのパーソナライズされたコミュニケーションスキルフレームワークである。 再利用可能なコミュニケーションスキルを、スキルバンク(スキルバンク)の共有の理由にまとめる。 AgentComは、伝統的、社会的、エージェント的な推奨者間でのレコメンデーションパフォーマンスを継続的に改善する。
• 参考スコア（独自算出の注目度）: 10.5457652520268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic recommender systems increasingly employ large language model-based UserAgents to evaluate candidate items through simulated feedback before recommendations are delivered. However, existing UserAgents typically reason in isolation based on limited personal histories, which may lead to perspective narrowing: the agent evaluates candidates from a local and incomplete view, overlooks relevant preference facets, and consequently produces inaccurate judgments. A natural way to alleviate this problem is to introduce other users as advisor agents, whose diverse histories provide complementary evidence that helps the target user reconsider overlooked preference signals. Nevertheless, a generic user-advisor communication process is insufficient, as different user decision states require different forms of external advice. Based on this insight, we propose AgentCom, a personalized communication skill framework for agentic recommender systems. AgentCom organizes reusable communication skills into a shared why--what--how--who skill bank: why identifies the decision deficiency that necessitates communication, what specifies the information task, how determines the advisor interaction protocol, and who retrieves advisors capable of executing that protocol. To make the shared skill bank personalized at use time and adaptive over time, AgentCom introduces two complementary mechanisms: personalized skill routing and failure-driven skill evolution. Personalized skill routing constructs a communication path by sequentially selecting suitable skills for each user and recommendation context. Failure-driven skill evolution learns from unsuccessful communication cases and enriches the shared bank with reusable skills that address previously uncovered communication needs. Experiments show that AgentCom consistently improves recommendation performance across traditional, social, and agentic recommenders.
• Abstract（参考訳）: エージェントレコメンデータシステムは、推薦される前にシミュレーションされたフィードバックを通じて候補項目を評価するために、大規模言語モデルベースのUserAgentをますます採用している。 しかし、既存のUserAgentsは、典型的には、限られた個人的履歴に基づいて孤立しているため、視点を狭める可能性がある: エージェントは、局所的および不完全な視点から候補者を評価し、関連する選好の面を見落とし、結果として不正確な判断を発生させる。 この問題を緩和するための自然な方法は、他のユーザーをアドバイザーエージェントとして紹介することであり、その多様な歴史は、標的ユーザーが見落としている選好信号を再考するのに役立つ補完的な証拠を提供する。 それでも、異なるユーザ決定状態が異なる外部アドバイスを必要とするため、汎用的なユーザ・アドバイザ通信プロセスは不十分である。 この知見に基づいて,エージェントレコメンデータシステムのための個人化されたコミュニケーションスキルフレームワークであるAgentComを提案する。 AgentComは、再利用可能なコミュニケーションスキルを、コミュニケーションを必要とする決定不足を識別する理由、情報タスクの特定方法、アドバイザのインタラクションプロトコルの特定方法、そして、そのプロトコルを実行することのできるアドバイザーの検索方法、の2つに分けて、共有の理由(---------------------------------------- スキルバンクにまとめる。 AgentComは、共有スキルバンクを使用時にパーソナライズし、時間とともに適応させるために、パーソナライズされたスキルルーティングと障害駆動スキル進化という2つの補完メカニズムを導入している。 パーソナライズされたスキルルーティングは、各ユーザに適したスキルとレコメンデーションコンテキストを順次選択することにより、コミュニケーションパスを構築する。 失敗駆動のスキル進化は、失敗するコミュニケーションケースから学び、以前に発見されたコミュニケーションニーズに対処する再利用可能なスキルで共有バンクを強化します。 実験の結果、AgentComは伝統的、社会的、エージェント的な推奨者間でのレコメンデーションパフォーマンスを一貫して改善している。

関連論文リスト

• Beyond expert users: agents should help users construct preferences, not just elicit them [31.382826707274685]
  エージェントダイアログアクションに基づいた好み構築モデルであるCoPrefを紹介する。 CoShopでは、エージェントがCoPrefユーザと会話し、推奨する。 相互作用が5回あるにもかかわらず、CoShopの精度が56%を超えるエージェントは存在しない。
  論文  参考訳（メタデータ） (2026-06-29T19:50:16Z)
• Communication Policy Evolution for Proactive LLM Agents [58.4960889232199]
  本稿では,コミュニケーションポリシを形式化し,テキストおよびUIベースのポリシを確立し,さまざまな環境におけるコミュニケーションポリシを評価する。 本稿では,コミュニケーションポリシーをロールアウトとプロンプトレベルの進化を通じて改善するための自己進化フレームワークであるコミュニケーションポリシー進化(CPE)を提案する。
  論文  参考訳（メタデータ） (2026-06-12T09:54:01Z)
• Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations [53.24966473363053]
  エージェントレコメンデーションのためのMulti-Agent Collaborative Filtering (MACF) フレームワークを提案する。 類似したユーザや関連項目を,ユニークなプロファイルを持つ大規模言語モデル(LLM)エージェントとしてインスタンス化する。 各エージェントは検索ツールを呼び出し、候補項目を推薦し、他のエージェントと対話することができる。
  論文  参考訳（メタデータ） (2025-11-23T11:57:10Z)
• Toward Safe and Human-Aligned Game Conversational Recommendation via Multi-Agent Decomposition [6.573045734898783]
  会話レコメンデータシステムのためのマルチエージェントフレームワークであるMATCHAを提案する。 インテント解析、ツール拡張検索、リフレクション付きマルチLLMランキング、説明、リスク管理のための特殊エージェントを割り当てる。 8つの指標で6つのベースラインを上回り、hit@5を20%改善し、人気バイアスを24%減らし、97.9%の敵防衛を達成した。
  論文  参考訳（メタデータ） (2025-04-26T00:55:43Z)
• Towards Personalized Conversational Sales Agents: Contextual User Profiling for Strategic Action [12.637812936971049]
  本稿では,一貫した会話の枠組みの中で,嗜好の誘惑,推薦,説得を統合する新しいタスクである会話販売(CSALES)について紹介する。 また,文脈的ユーザプロファイルを積極的に推測し,会話を通じて戦略的に行動を選択する対話販売エージェントであるCSIを提案する。
  論文  参考訳（メタデータ） (2025-03-28T15:49:52Z)
• 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)
• Prospect Personalized Recommendation on Large Language Model-based Agent Platform [71.73768586184404]
  本稿では,エージェントアイテムとエージェントレコメンダで構成されるRec4Agentverseという新しいレコメンデーションパラダイムを紹介する。 Rec4AgentverseはAgentItemsとAgent Recommenderのコラボレーションを強調し、パーソナライズされた情報サービスを促進する。 Rec4Agentverseのいくつかの症例に関する予備研究は、その応用の可能性を検証する。
  論文  参考訳（メタデータ） (2024-02-28T11:12:17Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)
• 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。