MATCHA: Kan samenwerking tussen meerdere agents een betrouwbare conversatie-aanbevelingsdienst opleveren?
Author
Venue
ICML MAS
Abstract
In dit artikel stellen we een multi-agent samenwerkingsraamwerk voor, genaamd MATCHA, voor een conversatiegebaseerd aanbevelingssysteem, waarbij gebruik wordt gemaakt van grote taalmodellen (LLM's) om personalisatie en gebruikersbetrokkenheid te verbeteren. Gebruikers kunnen aanbevelingen aanvragen via vrije tekst en krijgen samengestelde lijsten die zijn afgestemd op hun interesses, voorkeuren en beperkingen. Ons systeem introduceert gespecialiseerde agents voor intentieanalyse, het genereren van kandidaten, rangschikking, herrangschikking, verklaarbaarheid en waarborgen. Deze agents werken samen om de nauwkeurigheid, diversiteit en veiligheid van aanbevelingen te verbeteren. Op acht meetpunten presteert ons model superieur of vergelijkbaar met de huidige state-of-the-art. Door vergelijkingen met zes basismodellen pakt onze aanpak belangrijke uitdagingen aan in conversatiegebaseerde aanbevelingssystemen voor game-aanbevelingen, waaronder: (1) het verwerken van complexe, gebruikersspecifieke verzoeken, (2) het verbeteren van personalisatie door middel van samenwerking tussen meerdere agents, (3) empirische evaluatie en implementatie, en (4) het waarborgen van veilige en betrouwbare interacties.
