MATCHA: La collaborazione multi-agente può creare un sistema di raccomandazione conversazionale affidabile?
Author
Venue
ICML MAS
Abstract
In questo articolo proponiamo un framework di collaborazione multi-agente denominato MATCHA per sistemi di raccomandazione conversazionale, che sfrutta modelli linguistici di grandi dimensioni (LLM) per migliorare la personalizzazione e il coinvolgimento degli utenti. Gli utenti possono richiedere raccomandazioni tramite testo in formato libero e ricevere elenchi curati in linea con i propri interessi, preferenze e vincoli. Il nostro sistema introduce agenti specializzati per l'analisi delle intenzioni, la generazione di candidati, il ranking, il re-ranking, la spiegabilità e le misure di sicurezza. Questi agenti collaborano per migliorare l'accuratezza, la diversità e la sicurezza delle raccomandazioni. Su otto metriche, il nostro modello raggiunge prestazioni superiori o paragonabili allo stato dell'arte attuale. Attraverso confronti con sei modelli di riferimento, il nostro approccio affronta le sfide chiave nei sistemi di raccomandazione conversazionale per i giochi, tra cui: (1) la gestione di richieste complesse e specifiche per l'utente, (2) il miglioramento della personalizzazione attraverso la collaborazione multi-agente, (3) la valutazione empirica e l'implementazione, e (4) la garanzia di interazioni sicure e affidabili.
