論文の概要: GLOBE: Evolving Structured Agentic Memory for E-commerce Product Optimization in Generative Search

• arxiv url: http://arxiv.org/abs/2610.23709v1
• Date: Fri, 16 Oct 2026 16:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.022716
• Title: GLOBE: Evolving Structured Agentic Memory for E-commerce Product Optimization in Generative Search
• Title（参考訳）: GLOBE: ジェネレーティブ検索におけるEコマース製品最適化のための構造化エージェントメモリの進化
• Abstract要約: GLOBEは、明示的でフィールドスコープ化された振る舞いの進化したハンドブックに最適化知識を格納することで、継続的な自己改善を促進するエージェントフレームワークである。 実験により、構造化された挙動はモノリシックな迅速な最適化よりも優れていることが示された。 学習された振る舞いは、未確認の製品カテゴリでも有効であり、エージェントメモリの進化が解釈可能で転送可能な製品の最適化をサポートすることを示唆している。
• 参考スコア（独自算出の注目度）: 0.5957557158616764
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optimizing product listings for generative search requires language agents not only to rewrite effectively but also to continually self-improve by retaining successful strategies across diverse categories. However, existing approaches often treat structured listings as free-form text, leaving effective strategies implicit in prompts, search trajectories, or rewritten outputs rather than accumulating them as a reusable agentic memory. To address this limitation, we introduce GLOBE, an agentic framework that drives continual self-improvement by storing optimization knowledge in an evolving handbook of explicit, field-scoped behaviors. In each episode, an Editor applies relevant behaviors and receives rank-based feedback, which a Reflector converts into behavior updates. Crucially for dependable execution in real-world settings, a Moderator removes redundant proposals, a Curator commits accepted changes, and consistently harmful behaviors are deactivated. This cycle transforms episodic feedback into a persistent, field-scoped optimization memory. Experiments show that structured behaviors outperform monolithic prompt optimization, while feedback-driven evolution and moderation further improve effectiveness and reduce downside risk. The learned behaviors also remain effective on unseen product categories, suggesting that agentic memory evolution supports interpretable and transferable product optimization.
• Abstract（参考訳）: 生成検索のために製品リストを最適化するには、言語エージェントが効果的に書き換えるだけでなく、様々なカテゴリーで成功した戦略を維持することで、継続的な自己改善を行う必要がある。 しかし、既存のアプローチは構造化リストを自由形式のテキストとして扱うことが多く、再利用可能なエージェントメモリとして蓄積するのではなく、プロンプトや軌跡の探索、あるいは書き直しといった効果的な戦略を残している。 この制限に対処するために,我々は,最適化知識を明示的フィールドスコープ行動の進化ハンドブックに格納することにより,継続的な自己改善を促進するエージェントフレームワークであるGLOBEを紹介した。 各エピソードでは、エディタが関連する振る舞いを適用し、ランクベースのフィードバックを受け取り、リフレクタが振る舞いを更新する。 現実の環境での信頼性の高い実行には、モデレーターが冗長なプロポーザルを削除し、Curatorが受け入れた変更をコミットし、一貫して有害な動作が無効になる。 このサイクルは、エピソードフィードバックを永続的でフィールドスコープ化された最適化メモリに変換する。 実験により、構造化された振る舞いはモノリシックな迅速な最適化よりも優れており、フィードバック駆動の進化とモデレーションにより効果が向上し、ダウンサイドのリスクが低減されることが示された。 学習された振る舞いは、未確認の製品カテゴリでも有効であり、エージェントメモリの進化が解釈可能で転送可能な製品の最適化をサポートすることを示唆している。

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)
• Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
  大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。 既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。 MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
  論文  参考訳（メタデータ） (2026-05-01T14:45:20Z)
• AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
  AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。 適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。 探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
  論文  参考訳（メタデータ） (2026-04-17T18:25:03Z)
• Generalizable Self-Evolving Memory for Automatic Prompt Optimization [23.58061861097912]
  本稿では,メモリ駆動型最適化フレームワークであるMemAPOを提案する。 MemAPOは推論軌道を再利用可能な戦略テンプレートに蒸留する。 誤った世代を構造化されたエラーパターンに整理し、繰り返し発生する障害モードをキャプチャする。
  論文  参考訳（メタデータ） (2026-03-23T03:29:54Z)
• 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)
• SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
  大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。 エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。 textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。 本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:25:05Z)
• Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models [18.829572148850563]
  ACE(Agentic Context Engineering)は、コンテキストを進化するプレイブックとして扱うフレームワークである。 エージェントとドメイン固有のベンチマークを通じて、ACEは一貫して強力なベースラインを上回っている。 ACEは、ラベル付けされた監視なしに効果的に適応することができ、代わりに自然な実行フィードバックを活用することができる。
  論文  参考訳（メタデータ） (2025-10-06T09:30:18Z)
• Reflection-Enhanced Meta-Optimization Integrating TextGrad-style Prompt Optimization with Memory-Driven Self-Evolution [0.0]
  本稿では,メモリ拡張リフレクションRetrievalRAGモジュールと自己適応型メタコントローラを統合するフレームワークを提案する。 REMOは、計算オーバーヘッドの増加にもかかわらず、より安定で堅牢なチューニングを実現する。
  論文  参考訳（メタデータ） (2025-08-26T07:25:45Z)
• Embed Progressive Implicit Preference in Unified Space for Deep Collaborative Filtering [13.24227546548424]
  GNOLR(Generalized Neural Ordinal Logistic Regression)は、ユーザエンゲージメントの構造的進行を捉えるために提案されている。 GNOLRは予測精度を高め、ユーザのエンゲージメントの進行を捉え、検索プロセスを単純化する。 10の実世界のデータセットでの実験では、GNOLRは効率と適応性において最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-27T08:43:35Z)

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。