論文の概要: CARA: Cognitive Adaptive Recommendation Agent

• arxiv url: http://arxiv.org/abs/2608.16919v1
• Date: Sun, 02 Aug 2026 19:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.972326
• Title: CARA: Cognitive Adaptive Recommendation Agent
• Title（参考訳）: CARA:認知適応レコメンデーションエージェント
• Abstract要約: 構造化意思決定プロセスとしてレコメンデーションを定式化するフレームワークであるCARAを提案する。 CARAの中核的な直感は、ユーザ決定は2つの相補的なメカニズム、直感的な感情的嗜好と意図的な合理的評価によって共同で形成されていることである。 CARAは、ほとんどの評価指標で最高のパフォーマンスを達成し、ベースラインよりも10.15%の相対的な改善を実現している。
• 参考スコア（独自算出の注目度）: 3.268212305496309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in large language models and agent-based recommendation frameworks have introduced new opportunities for more flexible and context-aware recommendation. However, existing methods still largely rely on semantic matching, end-to-end generation, or loosely structured agent workflows, without explicitly modeling how user preferences are processed and translated into final decisions. To address this limitation, we propose CARA, a cognitively inspired recommendation framework that formulates recommendation as a structured decision-making process. The core intuition of CARA is that user decisions are jointly shaped by two complementary mechanisms: intuitive affective preference and deliberate rational evaluation. Accordingly, CARA organizes recommendation into two coordinated stages: candidate filtering, which narrows the search space based on coarse-grained preference constraints, and dual-perspective decision modeling, which captures recommendation decisions through affective and rational judgment. We further introduce a boundary-aware KTO strategy that prioritizes instructions the model can solve occasionally but not consistently, thereby increasing the density of informative preference signals. Extensive experiments on three Amazon Reviews domains show that CARA achieves the best performance on most evaluation metrics, with relative improvements of up to 10.15% over the baseline.
• Abstract（参考訳）: 大規模言語モデルと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の最近の進歩は、より柔軟でコンテキスト対応のレコメンデーションに新たな機会をもたらした。 しかし、既存のメソッドは、ユーザ好みがどのように処理され、最終的な決定に変換されるかを明示的にモデル化することなく、セマンティックマッチング、エンドツーエンド生成、あるいはゆるやかに構造化されたエージェントワークフローに大きく依存している。 この制限に対処するため,我々は,構造化意思決定プロセスとして推奨を定式化する認知的インスピレーション・レコメンデーション・フレームワークであるCARAを提案する。 CARAの中核的な直感は、ユーザ決定は2つの相補的なメカニズム、直感的な感情的嗜好と意図的な合理的評価によって共同で形成されていることである。 そのため、CARAは、粗い選好制約に基づいて検索空間を狭める候補フィルタリングと、感情的および合理的な判断を通じて推薦決定をキャプチャする二重パースペクティブ決定モデリングという2つの調整段階に分類する。 さらに、モデルが時折解決できる命令を優先する境界対応KTO戦略を導入し、情報的嗜好信号の密度を増大させる。 Amazon Reviewsの3つのドメインに対する大規模な実験は、CARAがほとんどの評価指標で最高のパフォーマンスを達成し、ベースラインよりも最大10.15%改善していることを示している。

関連論文リスト

• Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
  Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。 既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。 本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:52:20Z)
• Decisive: Guiding User Decisions with Optimal Preference Elicitation from Unstructured Documents [3.7993411952027163]
  本稿では,文書的推論とベイズ選好推論を組み合わせた対話型意思決定フレームワークDecisiveを提案する。 提案手法は,ソース文書から抽出した客観的な選択肢選好行列に基づいて決定を下し,対象の選好ベクトルを学習しながら,ユーザの嗜好ベクトルを積極的に学習する。 ユーザは、最終決定に対する情報ゲインを最大化するために、適応的に選択されたペアワイズトレードオフ質問に回答する。
  論文  参考訳（メタデータ） (2026-04-20T11:42:51Z)
• HARPO: Hierarchical Agentic Reasoning for User-Aligned Conversational Recommendation [10.766058469348382]
  本稿では,会話の推薦を構造化された意思決定プロセスとして再編成するエージェントフレームワークであるHARPOを提案する。 HarPOは階層的な選好学習を統合し、推奨品質を解釈可能な次元に分解する。 推奨中心のメトリクスに対して、強いベースラインよりも一貫した改善を示します。
  論文  参考訳（メタデータ） (2026-04-11T06:07:15Z)
• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• Research on Conversational Recommender System Considering Consumer Types [8.48366251750266]
  本稿では,消費者型モデリングを対話レコメンデーションに統合するフレームワークを提案する。 消費者型理論に基づいて、2つの次元から派生した4つのユーザカテゴリ(依存型、効率的型、慎重型、エキスパート型)を定義する。 LastFM、Amazon-Book、Yelpの実験によると、CTCRSはレコメンデーション成功率を改善し、インタラクションのターンを減らす。
  論文  参考訳（メタデータ） (2025-08-16T15:15:52Z)
• 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)
• Slow Thinking for Sequential Recommendation [88.46598279655575]
  本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。 弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。 具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-13T15:53:30Z)
• Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making [3.3044728148521623]
  本稿では,意思決定をマルチステークホルダー最適化問題として再編成する参加型フレームワークを提案する。 我々のモジュラー・モデルに依存しないフレームワークは、ユーザが提供する予測モデルを微調整するためにk-foldクロスバリデーションを採用している。 合成スコアリング機構は、複数のメトリクスにまたがってユーザ定義の嗜好を集約し、戦略をランク付けする。
  論文  参考訳（メタデータ） (2025-02-12T16:27:40Z)
• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Bayesian Persuasion for Algorithmic Recourse [28.586165301962485]
  いくつかの状況では、根底にある予測モデルはゲームを避け、競争上の優位性を維持するために意図的に秘密にされている。 我々はベイズ的説得のゲームのような設定を捉え、意思決定者は、例えばアクションレコメンデーションのようなシグナルを、望ましい行動を取るためのインセンティブを与える決定対象に送信する。 本稿では,最適化問題として最適なベイズ的インセンティブ互換(BIC)行動推薦ポリシーを見出すという意思決定者の問題を定式化し,線形プログラムを用いて解を特徴づける。
  論文  参考訳（メタデータ） (2021-12-12T17:18:54Z)

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。