Cet article aborde le besoin de résumé textuel, notamment la génération de titres concis et cohérents pour les carrousels de produits ou l'affichage groupé d'articles dans les systèmes de recommandation. Les méthodes de résumé existantes basées sur des modèles linguistiques à grande échelle (MLL) présentent des limites pour répondre aux exigences des systèmes de recommandation, notamment une pertinence élevée par rapport aux caractéristiques des articles et des contraintes strictes en termes de nombre de mots. Pour pallier ces limites, nous proposons CARTS (Collaborative Agents for Recommendation Textual Summarization), un framework LLM multi-agents pour le résumé structurel dans les systèmes de recommandation. CARTS se compose de trois étapes : la génération générative augmentée (GAG), la boucle d'amélioration et la médiation. Chaque agent joue un rôle en extrayant les caractéristiques importantes des articles, en améliorant itérativement les titres en fonction des commentaires sur la pertinence et la longueur, et en assurant la médiation collaborative du titre final. Les résultats issus de données e-commerce à grande échelle et de tests A/B en conditions réelles montrent que CARTS offre une pertinence des titres nettement supérieure et des indicateurs d'engagement utilisateur améliorés par rapport aux modèles LLM de référence à passage unique et par chaîne de pensée.
