Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Để Khắc phục những hạn chế của các hệ thống đề xuất dựa trên Thế hệ Tăng cường Truy xuất (RAG) hiện có, bài báo này đề xuất khuôn khổ Agentic RAG (ARAG), tích hợp cơ chế cộng tác đa tác tử. ARAG sử dụng bốn tác tử chuyên biệt dựa trên LLM: một tác tử hiểu người dùng, một tác tử suy luận ngôn ngữ tự nhiên (NLI), một tác tử tóm tắt ngữ cảnh và một tác tử xếp hạng mục, để hiểu hành vi dài hạn và ngắn hạn của người dùng. Kết quả thử nghiệm cho thấy ARAG vượt trội hơn RAG hiện có và các mô hình cơ sở tiên tiến tới 42,1% trên NDCG@5 và tới 35,5% trên Hit@5. Hiệu quả của từng tác tử được phân tích thông qua các nghiên cứu cắt bỏ.
Takeaways, Limitations
•
Takeaways:
◦
Cải thiện hiệu suất của các hệ thống đề xuất được cá nhân hóa thông qua khuôn khổ RAG dựa trên nhiều tác nhân
◦
Một phương pháp mới có thể xem xét hiệu quả các hành vi ngắn hạn và dài hạn của người dùng được đề xuất.
◦
Một hướng đi mới trong nghiên cứu hệ thống đề xuất cá nhân hóa dựa trên LLM
◦
Đề Xuất hướng cải tiến hệ thống thông qua phân tích hiệu quả của từng thành phần ARAG.
•
Limitations:
◦
Chỉ có kết quả thử nghiệm cho một tập dữ liệu cụ thể được trình bày, do đó cần nghiên cứu thêm để xác định khả năng khái quát hóa.
◦
Thiếu mô tả chi tiết về cơ chế tương tác và cộng tác giữa các tác nhân.
◦
Thiếu sự cân nhắc đến việc xây dựng và vận hành hệ thống thực tế
◦
Thiếu phân tích về những thay đổi về hiệu suất theo loại và quy mô của LLM được sử dụng.
