Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations

要約

レコメンダーモデルは、膨大なユーザー行動データを活用することで、ドメインに特化したアイテムの推薦を提供することに優れている。軽量なドメインエキスパートとして機能する能力にもかかわらず、説明を提供したり会話に参加したりするような多目的なタスクを実行するのに苦労している。一方、大規模言語モデル（LLM）は、人工的な一般知能に向けた重要な一歩であり、命令理解、常識的推論、人間との対話において顕著な能力を示している。しかし、LLMは、特にオンライン電子商取引のような一般的な世界の知識から乖離した領域では、ドメイン固有のアイテムカタログや行動パターンに関する知識が不足している。ドメインごとにLLMを微調整することは、経済的でも効率的でもない。 本論文では、レコメンダーモデルとLLMのギャップを埋め、それぞれの長所を組み合わせて、多機能でインタラクティブなレコメンダーシステムを構築する。我々はInteRecAgentと呼ばれる効率的なフレームワークを導入し、LLMを頭脳として、レコメンダーモデルを道具として用いる。まず、LLM を InteRecAgent に変換するために必要な最小限のツールを概説する。次に、タスク実行のための効率的なワークフローをInteRecAgent内で提案し、メモリバス、動的なデモンストレーションによるタスク計画、リフレクションなどの重要なコンポーネントを組み込む。InteRecAgentは、IDベースの行列分解モデルのような従来の推薦システムを、LLMの統合によって自然言語インタフェースを持つ対話型システムにすることを可能にする。いくつかの公開データセットを用いた実験の結果、InteRecAgentは会話型推薦システムとして満足のいく性能を達成し、汎用のLLMを凌駕することが示された。

要約(オリジナル)

Recommender models excel at providing domain-specific item recommendations by leveraging extensive user behavior data. Despite their ability to act as lightweight domain experts, they struggle to perform versatile tasks such as providing explanations and engaging in conversations. On the other hand, large language models (LLMs) represent a significant step towards artificial general intelligence, showcasing remarkable capabilities in instruction comprehension, commonsense reasoning, and human interaction. However, LLMs lack the knowledge of domain-specific item catalogs and behavioral patterns, particularly in areas that diverge from general world knowledge, such as online e-commerce. Finetuning LLMs for each domain is neither economic nor efficient. In this paper, we bridge the gap between recommender models and LLMs, combining their respective strengths to create a versatile and interactive recommender system. We introduce an efficient framework called InteRecAgent, which employs LLMs as the brain and recommender models as tools. We first outline a minimal set of essential tools required to transform LLMs into InteRecAgent. We then propose an efficient workflow within InteRecAgent for task execution, incorporating key components such as a memory bus, dynamic demonstration-augmented task planning, and reflection. InteRecAgent enables traditional recommender systems, such as those ID-based matrix factorization models, to become interactive systems with a natural language interface through the integration of LLMs. Experimental results on several public datasets show that InteRecAgent achieves satisfying performance as a conversational recommender system, outperforming general-purpose LLMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL