MATCHA: A colaboração entre múltiplos agentes pode criar um recomendador conversacional confiável?
Author
Venue
ICML MAS
Abstract
Neste artigo, propomos uma estrutura de colaboração multiagente chamada MATCHA para sistemas de recomendação conversacional, utilizando grandes modelos de linguagem (LLMs) para aprimorar a personalização e o engajamento do usuário. Os usuários podem solicitar recomendações por meio de texto livre e receber listas selecionadas alinhadas com seus interesses, preferências e restrições. Nosso sistema introduz agentes especializados para análise de intenção, geração de candidatos, classificação, reclassificação, explicabilidade e salvaguardas. Esses agentes melhoram colaborativamente a precisão, a diversidade e a segurança das recomendações. Em oito métricas, nosso modelo alcança desempenho superior ou comparável ao estado da arte atual. Por meio de comparações com seis modelos de referência, nossa abordagem aborda os principais desafios em sistemas de recomendação conversacional para recomendações de jogos, incluindo: (1) tratamento de solicitações complexas e específicas do usuário, (2) aprimoramento da personalização por meio da colaboração entre múltiplos agentes, (3) avaliação empírica e implantação, e (4) garantia de interações seguras e confiáveis.
