MATCHA : La collaboration multi-agents peut-elle permettre de créer un système de recommandation conversationnel fiable ?
Author
Venue
ICML MAS
Abstract
Dans cet article, nous proposons un cadre de collaboration multi-agents appelé MATCHA pour les systèmes de recommandation conversationnelle, tirant parti des grands modèles linguistiques (LLM) pour améliorer la personnalisation et l'engagement des utilisateurs. Les utilisateurs peuvent demander des recommandations via un texte libre et recevoir des listes sélectionnées en fonction de leurs intérêts, préférences et contraintes. Notre système introduit des agents spécialisés pour l'analyse des intentions, la génération de candidats, le classement, le reclassement, l'explicabilité et les mesures de sécurité. Ces agents améliorent de manière collaborative la précision, la diversité et la sécurité des recommandations. Sur huit indicateurs, notre modèle atteint des performances supérieures ou comparables à celles des systèmes de pointe actuels. Grâce à des comparaisons avec six modèles de référence, notre approche répond aux principaux défis des systèmes de recommandation conversationnelle pour les jeux, notamment : (1) la gestion de requêtes complexes et spécifiques à l'utilisateur, (2) l'amélioration de la personnalisation par la collaboration multi-agents, (3) l'évaluation empirique et le déploiement, et (4) la garantie d'interactions sûres et fiables.
