Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation

Each language version is independently generated for its own context, not a direct translation.

Imagine que um sistema de recomendação (como o do Spotify, Netflix ou Amazon) é como um grande festival de música.

Neste festival, existem três grupos principais de pessoas:

O Público (Você): Quer ouvir músicas que goste e se divirta.
As Bandas (Os Itens): Querem que as pessoas ouçam suas músicas, especialmente as bandas novas que ninguém conhece.
A Organização do Festival (A Plataforma): Quer que o evento seja justo, que todas as bandas tenham uma chance de tocar e que o público não fique entediado com sempre as mesmas músicas famosas.

O Problema: O "Rei do Festival"

Até agora, a maioria desses sistemas funcionava como se a Organização só se importasse com o Público.

Eles olhavam apenas para o que você já gostou.
Se você gostou de rock, eles só tocavam rock famoso.
As bandas novas (o "longo rabo" ou long-tail) nunca tinham chance de tocar, porque o sistema as tratava como objetos passivos, esperando que alguém as descobrisse.
Resultado: O público ouvia sempre a mesma coisa, as bandas novas desapareciam e o festival ficava monótono e injusto.

A Solução: O "Tri-Party" (Três Partes)

Os autores deste paper, da Universidade de Ciência e Tecnologia da China, criaram um novo sistema chamado TriRec. Eles decidiram que o festival precisa de um novo formato onde todos os três lados têm voz ativa.

Eles usaram a inteligência artificial (LLMs) para criar "agentes" (assistentes virtuais inteligentes) para cada grupo. O sistema funciona em duas etapas mágicas:

Etapa 1: O "Pitch" Personalizado (A Banda se Vende)

No sistema antigo, a banda era apenas um nome numa lista. No TriRec, cada banda tem um Agente de Vendas.

Imagine que você é um fã de rock, mas adora histórias emocionantes.
O Agente da banda "The Journey" (uma banda nova de country) não apenas mostra o nome da música. Ele olha para você e diz: "Ei, eu sei que você ama rock, mas você também adora histórias profundas e emocionantes. Minha música é como um filme de rock, cheia de narrativa!"
A Mágica: A banda adapta sua mensagem para você. Isso ajuda as bandas novas a serem descobertas não por sorte, mas porque elas sabem exatamente como falar a sua língua. Isso resolve o problema das bandas que ninguém conhece (o "problema do frio").

Etapa 2: O "Maestro" do Palco (A Organização Controla o Fluxo)

Depois que as bandas fizeram seus "pitches" personalizados, temos o Agente da Organização.

Ele olha para a lista de músicas que o público gostou (da Etapa 1).
Mas ele não apenas segue a lista cegamente. Ele pensa: "Se eu tocar só as músicas famosas, o público vai gostar agora, mas daqui a um mês o festival vai estar vazio porque as bandas novas vão desistir."
Então, ele faz um reordenamento inteligente. Ele garante que as músicas mais relevantes para você estejam no topo, mas também dá um espaço justo para as bandas menos conhecidas, equilibrando o prazer imediato com a saúde do festival a longo prazo.

Por que isso é incrível? (A Descoberta Surpreendente)

Normalmente, as pessoas acham que existe um "troca": se você quer ser justo com as bandas novas, você precisa sacrificar a qualidade do que o público ouve.

O paper descobriu o contrário: Ao dar voz às bandas (Etapa 1) e equilibrar o palco (Etapa 2), tudo melhora.
O público ouve coisas melhores (porque as bandas novas se explicaram melhor).
As bandas novas ganham visibilidade.
O festival fica mais saudável e diverso.

Resumo em uma frase

O TriRec transforma o sistema de recomendação de um "ditador que só ouve o cliente" para um "maestro de orquestra" que garante que cada músico tenha a chance de brilhar, adaptando a música para o gosto de cada ouvinte, criando um show melhor para todos.

Each language version is independently generated for its own context, not a direct translation.

Título: Rompendo a Agência Centrada no Usuário: Um Framework Tripartido para Recomendação Baseada em Agentes

1. Problema e Motivação

Os sistemas de recomendação tradicionais baseados em Grandes Modelos de Linguagem (LLMs) evoluíram para paradigmas de agentes, permitindo interações mais ricas e modelagem de preferências. No entanto, a maioria dessas abordagens permanece centrada exclusivamente no usuário.

Limitação Atual: Os itens são tratados como entidades passivas, e os interesses de outros stakeholders (provedores de conteúdo e operadores da plataforma) são negligenciados.
Consequências: Essa visão unilateral exacerba o "Efeito Mateus" (concentração de exposição em itens populares), deixando a "cauda longa" (criadores novos ou menos populares) invisível. Isso leva à desmotivação dos criadores, churn (rotatividade) e homogeneização do conteúdo, ameaçando a sustentabilidade de longo prazo do ecossistema.
Lacuna: Métodos existentes que introduzem agentes de itens geralmente os usam apenas como descritores de atributos, sem conceder-lhes a capacidade ativa de defender sua própria visibilidade ou buscar benefícios de longo prazo.

2. Metodologia: O Framework TriRec

O TriRec propõe o primeiro framework de recomendação baseado em agentes LLM que coordena explicitamente três partes: Usuários, Itens e Plataforma. A arquitetura é dividida em duas etapas sequenciais e desacopladas:

Etapa 1: Auto-promoção Personalizada Gerativa (Agência do Item)

Mecanismo: Os agentes de itens não são passivos; eles geram ativamente auto-promoções personalizadas baseadas no perfil de interesse do usuário-alvo.
Funcionamento: Dado um usuário $u$ e um item $i$ , o agente do item utiliza um LLM para criar uma descrição persuasiva ( $S_{i \to u}$ ) que destaca os atributos do item mais relevantes para aquele usuário específico (ex: um mesmo toca-discos enfatiza "alta fidelidade" para músicos, mas "fácil reprodução" para idosos).
Objetivo: Melhorar a qualidade do matching semântico e ajudar itens de "cauda longa" ou cold-start a serem descobertos, sem ainda aplicar regras de fair ranking.
Interação: O agente do usuário avalia essas auto-promoções junto com seu histórico de preferências para gerar uma lista de candidatos inicial focada em relevância.

Etapa 2: Re-classificação Multi-Objetivo Liderada pela Plataforma

Mecanismo: Um Agente de Plataforma atua como um controlador sequencial que re-classifica a lista gerada na Etapa 1.
Estado do Sistema: O agente observa o estado dinâmico, incluindo o histórico de exposição dos itens (para evitar saturação) e a lista de relevância inicial.
Otimização: O agente realiza uma re-classificação greedy (gananciosa) passo a passo para maximizar uma função de utilidade conjunta que equilibra:
1. Utilidade do Usuário: Relevância e engajamento imediato.
2. Utilidade do Item: Exposição esperada e visibilidade de longo prazo.
3. Justiça da Plataforma: Redução de viés de grupo e distribuição equitativa de exposição (medida por métricas como DGU e MGU).
Controle Posicional: O framework utiliza um parâmetro $\alpha_k$ dependente da posição para modular a força da intervenção da plataforma. Posições de topo priorizam a relevância do usuário, enquanto posições inferiores permitem maior regulação para justiça e exposição de itens sub-representados.

3. Contribuições Principais

Novo Paradigma Tripartido: Identifica as limitações dos modelos centrados no usuário e introduz o primeiro framework onde itens e plataforma têm "agência" ativa para coordenar exposição e justiça.
Pipeline de Duas Etapas:
- Auto-promoção de itens: Concede agência aos itens para superar o cold-start e melhorar o matching semântico.
- Re-classificação multi-objetivo: Regula a exposição global para equilibrar os interesses de todas as partes sem sacrificar drasticamente a precisão.
Descoberta de Trade-off Inexistente: Demonstra empiricamente que a auto-promoção de itens pode simultaneamente melhorar a justiça (fairness) e a eficácia (precisão), desafiando a suposição convencional de que há um compromisso inevitável entre relevância e justiça.

4. Resultados Experimentais

Os experimentos foram realizados em quatro conjuntos de dados reais (Amazon CDs & Vinyl, Movies & TV, Goodreads YA e Steam Games), comparando o TriRec com state-of-the-art (AgentCF++, MACRec, Rec4AgentVerse, SCRUF-D, etc.).

Precisão (Usuário): O TriRec alcançou consistentemente os melhores ou segundos melhores resultados em NDCG e MRR, superando métodos centrados no usuário e métodos focados em criadores. A auto-promoção enriqueceu os sinais de matching.
Justiça (Plataforma): O framework reduziu significativamente a desigualdade de exposição (DGU e MGU) em comparação com métodos de re-classificação pós-processamento estáticos, demonstrando regulação mais granular.
Utilidade do Item: O TriRec obteve a maior utilidade esperada de itens (EIU) em todos os conjuntos de dados, beneficiando especialmente itens de cauda longa.
Estudo de Caso (Cold-Start): Um item novo (sem histórico de exposição) foi re-classificado da 8ª posição para a 1ª posição. Isso ocorreu porque o agente do item gerou uma auto-promoção que ressoou perfeitamente com as preferências do usuário, provando a eficácia da abordagem baseada em semântica para itens novos.
Análise de Hiperparâmetros: Ajustes no limite superior da política de participação da plataforma ( $\alpha_{max}$ ) mostraram que um equilíbrio moderado (entre 0.6 e 0.75) maximiza a precisão do usuário enquanto melhora a justiça, confirmando que regulação inteligente não precisa prejudicar a experiência do usuário.

5. Significado e Impacto

O trabalho TriRec representa um avanço fundamental na pesquisa de sistemas de recomendação:

Sustentabilidade do Ecossistema: Ao tratar itens e plataformas como agentes ativos com objetivos próprios, o framework oferece uma solução prática para o problema de concentração de exposição e esgotamento de criadores.
Superação do Trade-off Clássico: O resultado mais surpreendente é a refutação da ideia de que "justiça custa precisão". O framework mostra que, ao permitir que itens se "vendam" de forma inteligente e ao regular a exposição de forma adaptativa, é possível atender a todos os stakeholders simultaneamente.
Futuro: Abre caminho para sistemas de recomendação mais cooperativos, onde a negociação e o planejamento estratégico entre agentes (usuários, criadores e plataforma) se tornam a norma, em vez da otimização unilateral.

Em resumo, o TriRec transforma a recomendação de um processo de extração de valor para o usuário em um ecossistema colaborativo onde a diversidade e a sustentabilidade são otimizadas junto com a relevância.