MATCHA: Czy współpraca wielu agentów może stworzyć godny zaufania system rekomendacji konwersacyjnych?
Author
Venue
ICML MAS
Abstract
W niniejszym artykule proponujemy wieloagentową platformę współpracy o nazwie MATCHA przeznaczoną dla konwersacyjnych systemów rekomendacji, wykorzystującą duże modele językowe (LLM) w celu zwiększenia personalizacji i zaangażowania użytkowników. Użytkownicy mogą prosić o rekomendacje za pomocą dowolnego tekstu i otrzymywać wyselekcjonowane listy dostosowane do ich zainteresowań, preferencji i ograniczeń. Nasz system wprowadza wyspecjalizowane agenty do analizy intencji, generowania kandydatów, rankingu, ponownego rankingu, wyjaśnialności i zabezpieczeń. Agenci ci wspólnie poprawiają dokładność, różnorodność i bezpieczeństwo rekomendacji. W ośmiu metrykach nasz model osiąga wyniki lepsze lub porównywalne z obecnym stanem techniki. Dzięki porównaniom z sześcioma modelami bazowymi nasze podejście rozwiązuje kluczowe wyzwania w konwersacyjnych systemach rekomendacji gier, w tym: (1) obsługę złożonych, specyficznych dla użytkownika zapytań, (2) zwiększenie personalizacji poprzez współpracę wieloagentową, (3) empiryczną ocenę i wdrożenie oraz (4) zapewnienie bezpiecznych i godnych zaufania interakcji.
