原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
ARAG:基于代理检索增强生成的
个性化推荐
1,*2,*2,*
RezaYousefiMaragheh,PratheekVadla,PriyankGupta,Kai
1,*1,*2,*1
Zhao,AysenurInan,KehuiYao,JianpengXu,Praveen
Kanumala,JasonCho,SushantKumar111
1WalmartGlobalTech,Sunnyvale,California,USA
本2WalmartGlobalTech,Belleville,Washington,USA
译{Reza.YousefiMaragheh,Pratheek.Vadla,Priyank.Gupta,Kai.Zhao,Aysenur.Inan,Kehui.Yao,Jianpeng.Xu,
中
1Praveen.Kanumala,Jason.Cho,Sushant.Kumar}@
v
1摘要的代理：一个汇总用户从长期和会话上下文中偏好的
3用户理解代理；一个自然语言推理（NLI）代理，评估
9检索增强生成（RAG）通过将外部上下文纳入大型语
1由RAG检索出的候选项目与推断意图之间的语义一
2言模型提示中，在改进推荐系统方面显示出潜力。然
.致性；一个摘要代理，总结NLI代理的结果；以及一
6而，现有的基于RAG的方法通常依赖于静态检索启
0发式方法，并且无法捕捉动态推荐场景中的细微用户个项目排名代理，根据情境匹配生成推荐列表。
5我们在三个数据集上对ARAG进行了评估。实验
2偏好。
:结果表明，ARAG显著优于标准RAG和基于最新情
v在这项工作中，我们介绍了ARAG，一种用于个
i况的基线模型，在NDCG@5中提高了多达42.1%，在
x性化推荐的代理检索增强生成框架，该框架将多代理
rHit@5中提高了35.5%。我们还进行了一项消融研究来
a协作机制集成到RAG流水线中。为了更好地理解用户
分析ARAG不同组件的效果。
的长期和会话行为，ARAG利用了四个专门基于LLM
我们的发现突显了将代理推理集成到检索增强推
*
Theseauthorscon
文档评论（0）