LLMGreenRec: LLM-Based Multi-Agent Recommender System for Sustainable E-Commerce

Dit paper introduceert LLMGreenRec, een innovatief multi-agent systeem dat Large Language Models gebruikt om duurzame e-commerce te bevorderen door zowel groene aankoopintenties te detecteren als het eigen digitale koolstofvoetafdruk te minimaliseren.

De kern

Stel je voor dat je een enorme, chaotische supermarkt binnenloopt. De planken zijn tot aan het plafond gevuld met miljoenen producten. Je wilt iets kopen dat goed is voor het milieu (bijvoorbeeld een duurzame wasmachine), maar je wordt overweldigd door de keuze. Je loopt de hele dag rond, pakt van alles op, legt het weer neer en zoekt. Uiteindelijk, moe en gefrustreerd, pak je het eerste bekende merk dat je tegenkomt, omdat dat makkelijk is.

Dit is precies wat er nu gebeurt in online winkels. We willen duurzaam zijn, maar de systemen die ons helpen kiezen, zijn vaak verouderd. Ze kijken alleen naar wat populair is of wat je eerder hebt gekocht, en ze vergeten dat jij misschien wel een groene keuze wilt maken. Bovendien kost al dat zoeken en scrollen op je scherm heel veel energie aan datacenters, wat weer slecht is voor het klimaat. Een dubbel probleem: we helpen je niet goed bij duurzaam winkelen, en het winkelen zelf is niet duurzaam.

De oplossing: LLMGreenRec

De auteurs van dit paper hebben een slimme nieuwe oplossing bedacht, genaamd LLMGreenRec. Je kunt dit zien als een super-slimme, digitale winkelassistent die uit een team van zes gespecialiseerde "robots" bestaat. In plaats van één saaie computer die alleen naar cijfers kijkt, werkt dit systeem met een team dat samenwerkt, net als een goed georganiseerd kantoor.

Hier is hoe het werkt, stap voor stap, met een paar creatieve vergelijkingen:

1. De "Filter-Filter" (De Reranker)

Stel je voor dat je een emmer met 100 verschillende puzzelstukken krijgt, maar je weet dat je er maar 20 nodig hebt om je puzzel af te maken. De eerste robot in het team kijkt naar wat je net hebt aangekeken in de winkel (je "sessie") en filtert direct 80 stukken weg die totaal niet passen.

• Het effect: In plaats van door 100 stukken te zoeken, kijken we nu alleen nog maar naar de 20 beste kandidaten. Dit bespaart enorm veel tijd en energie, omdat de computer niet meer hoeft te rekenen aan onzin.

2. Het "Zes-Koppige Team" (De Multi-Agenten)

Nu hebben we een kleine lijst van 20 producten. Hier komt het echte magische team aan het werk. Dit zijn zes verschillende AI-agenten die elk een specifieke rol hebben, alsof ze in een vergadering zitten:

• De Evaluator (De Voorzitter): Deze robot kijkt naar de lijst en zegt: "Oké, als ik jou was, welke producten zou ik nu kiezen?" Hij maakt een eerste ranglijst.
• De Foutdetector (De Kwaliteitscontroleur): Deze robot kijkt kritisch: "Hebben we het juiste product in de top 10 gezet? Zo niet, dan is er iets mis." Hij slaat alarm als de suggesties niet goed zijn.
• De Redenaar (De Analist): Als de Foutdetector alarm slaat, vraagt deze robot: "Waarom ging het mis? Was de vraag te vaag? Vergeten we dat de gebruiker vanochtend naar eco-producten keek?" Hij denkt na over de oorzaak van de fout.
• De Schrijver (De Prompt-Optimizer): Deze robot neemt de analyse van de Redenaar en herschrijft de instructies voor de computer. Hij maakt de vraag aan de AI scherper en preciezer, bijvoorbeeld: "Vergeet niet: deze gebruiker houdt van technologie én wil duurzaam zijn."
• De Uitvinder (De Augmentator): Deze robot is creatief. Hij neemt de nieuwe vraag en maakt er 3 of 4 verschillende versies van, net als een schrijver die een zin op verschillende manieren probeert te formuleren om te zien welke het beste werkt.
• De Beslisser (De Selecteur): Deze robot kiest de beste versie uit. Hij gebruikt een slimme strategie (zoals een gokker die weet wanneer hij moet riskeren en wanneer hij moet vertrouwen op wat hij al weet) om te beslissen welke vraag de beste resultaten geeft.

Waarom is dit zo geweldig?

1. Het begrijpt wat je écht wilt: Traditionele systemen zeggen: "Je kocht een schoen, hier is nog een schoen." Dit team zegt: "Je keek naar een schoen, maar je las ook een artikel over plastic in de oceaan. Misschien wil je nu een schoen van gerecycled materiaal?" Ze vangen je intentie (je bedoeling) op, niet alleen je gedrag.
2. Het leert van zijn fouten: Als het team een keer een slechte suggestie doet, zeggen ze niet "oh ja", maar analyseren ze waarom het misging en passen ze hun strategie direct aan. Ze worden elke keer slimmer.
3. Het is groen: Omdat het systeem zo slim is, hoeft de gebruiker niet uren te scrollen en te zoeken. De juiste duurzame producten worden direct voorgelegd. Minder zoeken betekent minder klikken, minder data-overdracht en dus minder energiegebruik in de datacenters.

Conclusie

Kortom, LLLMGreenRec is als een persoonlijke, super-duurzame shopper die niet alleen weet wat je leuk vindt, maar ook wat goed is voor de planeet. Het team werkt samen om de zoektocht te versnellen, zodat jij sneller je duurzame aankoop doet en de wereld een beetje minder belast wordt door de energie die nodig is om je te helpen. Het is een stap in de richting van een slimme, verantwoordelijke en groene toekomst voor online winkelen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "LLMGreenRec: LLM-Based Multi-Agent Recommender System for Sustainable E-Commerce" in het Nederlands.

Probleemstelling

De paper adresseert een tweeledig probleem in de e-commerce:

1. Het "Say-Do" gat: Hoewel consumenten steeds meer bewust zijn van duurzaamheid en bereid zijn om meer te betalen voor groene producten, vertaalt deze intentie zich vaak niet in daadwerkelijke aankopen. Traditionele sessiegebaseerde aanbevelingssystemen zijn geoptimaliseerd voor korte-termijn conversies en populariteit, waardoor ze de subtiele intenties van gebruikers voor duurzame keuzes missen. Hierdoor worden niche, duurzame producten vaak over het hoofd gezien ten gunste van grote merken.
2. Digitale CO2-voetafdruk: Het zoeken en scrollen op e-commerceplatforms verbruikt aanzienlijke energie in datacenters. Traditionele systemen genereren vaak onnodige interacties en lange zoekpaden, wat bijdraagt aan de digitale koolstofvoetafdruk.

Er is dus een dringende behoefte aan een nieuw systeem dat niet alleen duurzame producten promoot, maar ook het zoekproces zelf optimaliseert om energieverspilling te minimaliseren.

Methodologie: LLMGreenRec

Het voorgestelde LLMGreenRec is een tweestapsarchitectuur die Large Language Models (LLMs) en een multi-agent framework combineert om zowel de relevantie als de duurzaamheid van aanbevelingen te maximaliseren.

Stap 1: Filtering met een Reranker Model

• Doel: De grootte van de kandidaatset verkleinen om de rekenkracht van de LLM te beperken.
• Proces: Een Cross-encoder reranker (gebaseerd op een Sentence Transformer en een Classificatiemodel) analyseert de interacties van de gebruiker in de huidige sessie ($S$) en koppelt deze aan een initiële kandidaatset van 100 producten ($C_{in}$).
• Mechanisme: Voor elke kandidaat wordt een relevantiescore berekend door de gemiddelde score van de paren tussen sessie-items en kandidaat-items te nemen.
• Resultaat: De top 20 meest relevante items worden geselecteerd als de gefilterde kandidaatset ($C_{filter}$) voor de volgende stap.

Stap 2: Multi-Agent Framework met Prompt-Optimalisatie

Dit is de kern van het systeem, ontworpen om de intentie van de gebruiker te begrijpen en duurzame alternatieven te prioriteren. Het systeem gebruikt zes gespecialiseerde LLM-agenten die in een gesloten lus werken om de prompt continu te verbeteren:

1. Evaluate Agent: Genereert een eerste gerangschikte lijst van producten op basis van de huidige prompt en sessiegegevens.
2. DetectError Agent: Controleert of het "ground-truth" doelitem (de werkelijke aankoop) hoog genoeg gerangschikt is. Als het item onder een bepaalde drempel (bijv. buiten de top 10) valt, wordt dit gemarkeerd als een fout.
3. InferReason Agent: Analyseert de oorzaak van de fout. Het gebruikt de LLM om logische hypothesen te genereren (bijv. "De prompt benadrukte de voorkeur voor technologie niet genoeg").
4. RefinePrompt Agent: Past de prompt aan op basis van de afgeleide redenen om de context en de instructies te verbeteren.
5. Augment Agent: Genereert 3-5 variaties van de verfijnde prompt (parafraferen) om linguïstische diversiteit te creëren en de zoekruimte te vergroten.
6. Select Agent: Kiest de beste prompt voor de volgende iteratie met behulp van het UCB (Upper Confidence Bound) algoritme. Dit balanceert exploitatie (het kiezen van prompts die al goed presteren) en exploratie (het testen van nieuwe prompts).

Belangrijkste Bijdragen

• Dual Focus: Het is een van de eerste systemen dat expliciet de balans zoekt tussen het voldoen aan gebruikersbehoeften en het minimaliseren van de digitale koolstofvoetafdruk door het verkort van zoekpaden.
• Self-Correcting Multi-Agent Systeem: In plaats van een statische prompt, gebruikt het systeem een dynamisch, iteratief proces waarbij agenten fouten detecteren, redeneren over de oorzaak en de prompt automatisch optimaliseren.
• Duurzaamheid als Prioriteit: Het systeem is specifiek ontworpen om duurzame producten te identificeren en te prioriteren, zelfs als deze minder populair zijn dan conventionele producten, waardoor ze zichtbaar worden voor de juiste doelgroep.
• Efficiëntie: Door eerst te filteren en vervolgens gericht te zoeken met geoptimaliseerde prompts, reduceert het systeem het aantal noodzakelijke interacties en de bijbehorende energieconsumptie.

Resultaten

Het systeem is getest op drie datasets: MovieLens-1M, Amazon Games en Bundle (met sessiegegevens voor elektronica, kleding en voedsel).

• Algemene Prestatie (RQ1): LLMGreenRec presteerde significant beter dan alle basismodellen (inclusief traditionele methoden zoals SKNN, deep learning-modellen zoals NARM/STAMP, en andere LLM-baselines zoals PO4ISR en NIR).
  • Op de Games-dataset verbeterde het de HR@5 met 26,6% ten opzichte van de sterke PO4ISR-baseline.
  • Op de Bundle-dataset was de verbetering in NDCG@5 zelfs 40,7%.
• Duurzame Aanbevelingen (RQ2): Op de Bundle-dataset (waarbij duurzaamheid een criterium was) behaalde het systeem een HR@1 van 0,3950 en een HR@5 van 0,5504. Dit betekent dat in bijna 40% van de gevallen het juiste duurzame product als eerste werd aanbevolen, en in meer dan 55% van de gevallen binnen de top 5.

Betekenis en Impact

De paper introduceert een nieuw paradigma voor "verantwoordelijke" e-commerce. LLMGreenRec bewijst dat het mogelijk is om:

1. De kloof tussen duurzame intenties en gedrag te dichten door slimme, intentie-gedreven aanbevelingen.
2. De operationele kosten (energieverbruik) van aanbevelingssystemen te verlagen door efficiëntere zoekprocessen.
3. Niche-markten voor groene producten te ondersteunen door ze zichtbaar te maken in een markt die anders gedomineerd wordt door grote, niet-duurzame merken.

Het systeem biedt een schaalbare oplossing voor een duurzamere digitale economie, waarbij technologie niet alleen de verkoop stimuleert, maar ook ecologische verantwoordelijkheid in het hart van de gebruikerservaring plaatst.