Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation

Created by
  • Haebom

作者

Reza Yousefi Maragheh, Pratheek Vadla, Priyank Gupta, Kai Zhao, Aysenur Inan, Kehui Yao, Jianpeng Xu, Praveen Kanumala, Jason Cho, Sushant Kumar

概要

本論文は、既存のRetrieval-Augmented Generation(RAG)ベースの推奨システムの限界を克服するために、マルチエージェントコラボレーションメカニズムを統合したARAG(Agentic RAG)フレームワークを提案します。 ARAGは、ユーザーの長期および短期的な行動を理解するために、ユーザー理解エージェント、自然言語推論(NLI)エージェント、コンテキストサマリーエージェント、アイテムランキングエージェントなど、4つの特殊化されたLLMベースのエージェントを利用します。実験の結果、ARAGは、従来のRAGおよび最新ベースのベースラインモデルよりも、NDCG@5で最大42.1%、Hit@5で最大35.5%向上したパフォーマンスを示し、アブレーションスタディを介して各エージェントの効果を分析しました。

Takeaways、Limitations

Takeaways:
マルチエージェントベースのRAGフレームワークによるパーソナライゼーション推薦システムのパフォーマンス向上の可能性の提示
ユーザーの長期および短期行動を効果的に考慮する新しいアプローチの提案
LLMベースのパーソナライゼーション推薦システムの研究に新しい方向性を提示
ARAGの各構成要素の効果分析によるシステム改善方向の提示
Limitations:
特定のデータセットの実験結果のみが提示され、一般化の可能性に関するさらなる研究が必要
エージェント間の相互作用とコラボレーションメカニズムの詳細な説明の欠如
実際のシステム構築と運用に関する考慮事項
使用されるLLMの種類とサイズによる性能変化の分析不足
👍