MATCHA: Kann die Zusammenarbeit mehrerer Agenten einen vertrauenswürdigen Empfehlungsdienst für Gespräche schaffen?
Author
Venue
ICML MAS
Abstract
In diesem Beitrag schlagen wir ein Multi-Agenten-Kooperationsframework namens MATCHA für dialogbasierte Empfehlungssysteme vor, das große Sprachmodelle (LLMs) nutzt, um die Personalisierung und die Nutzerinteraktion zu verbessern. Nutzer können Empfehlungen über Freitext anfordern und erhalten kuratierte Listen, die auf ihre Interessen, Vorlieben und Einschränkungen abgestimmt sind. Unser System führt spezialisierte Agenten für die Absichtsanalyse, die Generierung von Kandidaten, das Ranking, das Re-Ranking, die Erklärbarkeit und Sicherheitsvorkehrungen ein. Diese Agenten verbessern gemeinsam die Genauigkeit, Vielfalt und Sicherheit der Empfehlungen. Bei acht Metriken erzielt unser Modell eine überlegene oder vergleichbare Leistung im Vergleich zum aktuellen Stand der Technik. Durch Vergleiche mit sechs Basismodellen bewältigt unser Ansatz zentrale Herausforderungen bei dialogorientierten Empfehlungssystemen für Spielempfehlungen, darunter: (1) die Bearbeitung komplexer, benutzerspezifischer Anfragen, (2) die Verbesserung der Personalisierung durch Multi-Agenten-Zusammenarbeit, (3) die empirische Bewertung und Bereitstellung sowie (4) die Gewährleistung sicherer und vertrauenswürdiger Interaktionen.
