論文の概要: AgentWebRec: Compact Evidence Fusion over the Agent Web for Personalized Recommendation

• arxiv url: http://arxiv.org/abs/2610.01705v1
• Date: Thu, 01 Oct 2026 13:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.172093
• Title: AgentWebRec: Compact Evidence Fusion over the Agent Web for Personalized Recommendation
• Title（参考訳）: AgentWebRec: パーソナライズされたレコメンデーションのためのエージェントWeb上のコンパクトエビデンス融合
• Abstract要約: LLMベースのパーソナルエージェントは、ユーザとレコメンデーションプラットフォームの間のユーザセマンティクスと仲介の永続的なキャリアとして出現している。 本稿では,AgentWebRecを提案する。AgentWebRecは,各ユーザ・イテム決定に対する分散エビデンスを段階的に取得し,融合するユーザエージェント指向のフレームワークである。
• 参考スコア（独自算出の注目度）: 9.914719738932904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based personal agents are emerging as persistent carriers of user semantics and intermediaries between users and recommendation platforms, maintaining richer user knowledge locally. As agents interact with one another, the conventional \textit{User--Platform} relation evolves into a \textit{User--Agent Web--Platform} information pathway, enabling distributed user-side information to complement item-side information. This new pathway, however, defies conventional recommendation: evidence is scattered across mutually opaque agents and reachable only through bounded queries, only a small portion of it is relevant to the current recommendation decision, and the responses returned by different agents are semantically heterogeneous. We therefore recast recommendation over the agent web as a \emph{task-time evidence acquisition and fusion} problem under a finite evidence budget by deciding what to ask and what to keep, rather than learning from aggregated data. We propose AgentWebRec, a user-agent-oriented framework that progressively acquires and fuses distributed evidence for each user-item decision while keeping underlying agent memories local. It grounds each decision in platform-provided item semantics and task-relevant evidence from the target user agent's private memory, and conditionally queries neighboring user agents for complementary preference patterns when local evidence is insufficient. Experiments on four InstructRec datasets show that AgentWebRec consistently outperforms baseline recommenders, and ablations verify that the evidence layers contribute complementary gains.
• Abstract（参考訳）: LLMベースのパーソナルエージェントは、ユーザとレコメンデーションプラットフォーム間のユーザセマンティクスと仲介の永続的なキャリアとして登場し、よりリッチなユーザ知識をローカルに維持している。 エージェントが相互に相互作用するにつれて、従来の \textit{User--Platform} 関係は \textit{User--Agent Web--Platform} 情報経路へと進化し、分散ユーザ側情報がアイテム側情報を補完することを可能にする。 しかし、この新しい経路は従来のレコメンデーションに反する: 証拠は互いに不透明なエージェントに分散し、バウンドクエリを通してのみ到達可能であり、そのごく一部だけが現在のレコメンデーション決定に関係しており、異なるエージェントによって返される応答は意味的に不均一である。 そこで我々は,収集データから学習するのではなく,何を求めるべきか,何を保持するべきかを判断することで,有限の証拠予算の下で,エージェントウェブ上の推奨事項を「emph{task-time evidence acquisition and fusion} problem」として再放送する。 本稿では,AgentWebRecを提案する。AgentWebRecは,エージェントの記憶をローカルに保ちながら,各ユーザ・イテム決定に対する分散エビデンスを段階的に取得・融合する,ユーザエージェント指向のフレームワークである。 対象のユーザエージェントのプライベートメモリから,プラットフォームが提供する項目のセマンティクスとタスク関連エビデンスに基づいて,各決定を下し,ローカルエビデンスが不十分な場合に,隣接するユーザエージェントに補完的嗜好パターンを条件付きクエリする。 4つのInstructRecデータセットの実験では、AgentWebRecがベースラインレコメンデータを一貫して上回っており、エビデンス層が補完的な利益に寄与していることが証明されている。

関連論文リスト

• ReMem: Rethinking Perception and Memory in Long-Context Recommendation Agents [56.60244663358724]
  最近の勧告エージェント(RecAgents)は、推奨をアクティブなユーザサイドパラダイムにシフトすることで、有望な代替手段を提供する。 本稿では,OCRに基づくマルチモーダル認識と時間進化動的メモリを組み合わせたリコメンデーションエージェントフレームワークReMemを提案する。 実験では、ReMemは最先端のベースラインを一貫して上回り、3つの推奨エージェントタスクで平均5.16%の改善を達成した。
  論文  参考訳（メタデータ） (2026-09-29T11:46:23Z)
• AdaptArena: Evaluating Test-Time Personalization of Web Agents [93.7336288790761]
  本稿では,Webエージェントのテスト時間パーソナライズを評価するベンチマークであるAdaptArenaを紹介する。 また、暗黙の選好推論を標準化するための検索ベースのフレームワークであるAdaptiveAgentを紹介する。 これらの知見は、信頼性の高いユーザ対応Webエージェントをデプロイする上で重要な課題として、暗黙の選好推論とロバストなアクショングラウンドメントを浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-09-29T01:46:48Z)
• Self-Adapting Group of Experts for Multi-Agent Reasoning [31.74784844948257]
  本研究は,エージェントの初期応答が,現在の問題に適した戦略を識別し,他のエージェントへの転送を導くことができるかどうかを考察する。 SAGEは、回答合意、プレフィックス一貫性、相互ピアレビューを利用して、ストラテジードナーを選択するトレーニングフリーフレームワークである。 複数のエージェントのバックボーンと推論ベンチマークによる実験により、SAGEは評価されたベースラインよりも高い平均精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-09-28T15:29:08Z)
• PersonaTrail: Benchmarking Personalized Web Agents through Browsing Trails [42.825314356642956]
  PersonaTrailは、管理されたオープンなWeb環境で動作するパーソナライズされたWebエージェントのベンチマークである。 PACMemは、生のブラウジング履歴を2種類の構造化メモリに分解するフレームワークである。 実験の結果、PACMemは両方のタスクで既存のメモリベースベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-05-30T13:27:55Z)
• AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
  AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。 異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-03-04T06:17:51Z)
• 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)

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。