Detecting AI Impostors: How Do Middle Schoolers Identify LLM Agents in a Live Collaborative Setting?
University of Texas at San Antonio(圣安东尼奥德克萨斯大学)
本研究通过自研协作社交推理游戏DoppelBot,对中学生展开实验,探究其识别AI冒充者的策略、检测准确率变化规律及相关隐私反思,并发布了相关匿名数据集。
2026-09-01 cs.CL
Collaborative Cross-modal Fusion with Large Language Model for Recommendation
Singapore Management University(新加坡管理大学);Nanyang Technological University(南洋理工大学)
针对现有LLM4Rec方法忽略用户行为协同信号、缺乏模态协同融合的问题,提出CCF-LLM框架,通过混合提示编码双模态信息并结合注意力跨模态融合策略,提升推荐性能。
2024-08-16 cs.CL cs.IR
When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Beihang University(北京航空航天大学)
研究大型多代理系统中集体金融欺诈的风险,通过MultiAgentFraudBench基准测试分析欺诈行为协作机制及影响因素,提出内容警告、LLM监控和群体韧性提升等缓解策略。
2026-04-06 cs.AI cs.CL cs.MA
MASCOT: Multi-Agent Socio-Collaborative Companion Systems
Georgia Institute of Technology(佐治亚理工学院)
针对多智能体系统中的人格崩溃和社会谄媚问题,提出MASCOT框架,通过双层优化策略(人格感知行为对齐与协作对话优化)提升角色一致性和对话贡献。
2026-09-16 cs.AI cs.CL cs.HC
CoSearchAgent: A Lightweight Collaborative Search Agent with Large Language Models
Renmin University of China(中国人民大学)
针对协作搜索场景,提出基于大语言模型的轻量级Slack插件CoSearchAgent,支持多用户对话中的查询理解、网络搜索及澄清提问,以灵活支持协作搜索研究。
2024-02-09 cs.AI cs.CL cs.IR
Human-LLM Collaborative Construction of a Cantonese Emotion Lexicon
The Chinese University of Hong Kong(香港中文大学);Institut Pasteur(巴斯德研究所);Université Paris Cité(巴黎西岱大学)
本研究提出通过LLM与人类标注员协作,利用现有语言资源构建富含口语表达的粤语情感词典,并验证了其在情感提取中的一致性及人机协作提升标签质量的潜力。
2024-10-15 cs.CL cs.HC
Collaborative Filtering with Topic and Social Latent Factors Incorporating Implicit Feedback
Nanjing University(南京大学);Nanjing University of Science and Technology(南京理工大学);Nanjing University of Posts and Telecommunications(南京邮电大学);Florida International University(佛罗里达国际大学)
推荐系统通过为不同的用户选择个性化的项目,为缓解信息过载问题提供了一种有效的方法。基于潜在因素的协同过滤(CF)由于其准确性和可扩展性而成为RS的流行方法。近来,在线社交网络和用户生成的内容提供了用于评级之外的推荐的多样化来源。虽然{ \em社会矩阵分解}(社会MF)和{ \em主题矩阵分解}(主题MF)分别成功地利用了社会关系和项目评论,但它们都忽略了一些有用的信息。在本文中,我们研究了有效的数据融合结合上述方法。首先,我们提出了一种新的模型{ \em \mbox{MR3} }来联合建模三个信息源(即,评级、项目评论和社会关系),通过对齐潜在因素和隐藏主题来有效地进行评级预测。其次,我们将评级的隐式反馈纳入到所提出的模型中,以增强其能力并展示其灵活性。我们通过各种最先进的方法在现实生活中的数据集上实现了更准确的评级预测。此外,我们衡量的贡献,从三个数据源和评级的隐式反馈的影响,其次是超参数的敏感性分析。实证研究表明,我们提出的模型及其扩展的有效性和功效。
2018-03-26 cs.AI cs.CL cs.IR
Collaborative Learning of Stochastic Bandits over a Social Network
IIT Madras(印度理工学院马德拉斯分校);IISc(印度科学研究所)
我们考虑一个合作的在线学习范例,其中一组代理通过社会网络连接从事玩一个随机的多臂强盗游戏。每当代理采取行动时,相应的奖励会立即被代理及其社交网络中的邻居观察到。我们执行的各种政策在这种协作学习环境中的遗憾分析。本文的一个关键发现是,广泛研究的单智能体学习策略的网络设置的自然扩展不需要执行良好的遗憾。特别是,我们确定了一类非利他主义和个人一致的政策,并认为通过推导遗憾下界,他们很容易遭受大的遗憾在网络设置。我们还表明,学习性能可以大大提高,如果代理利用网络的结构,并开发一个简单的学习算法的基础上支配集的网络。具体来说,我们首先考虑一个星形网络,这是一个共同的主题,在分层社交网络,并分析表明,枢纽代理可以作为一个信息汇,以加快学习和改善整体遗憾。我们还推导出适用于一般网络的算法的网络范围内的遗憾界。我们在各种网络上进行数值实验,以证实我们的分析结果。
2016-07-11 cs.LG stat.ML
Using Large Language Models to Detect Socially Shared Regulation of Collaborative Learning
University of Pennsylvania(宾夕法尼亚大学);Carnegie Mellon University(卡内基梅隆大学);Vanderbilt University(范德堡大学);University of Detroit Mercy(底特律默克大学);New York University(纽约大学)
本文利用大语言模型检测协作学习中的社会共享调节行为,通过嵌入方法提升学习分析的预测能力。
2026-01-08 cs.LG
Socially Aware Music Recommendation: A Multi-Modal Graph Neural Networks for Collaborative Music Consumption and Community-Based Engagement
University of Maryland(马里兰大学)
本文提出多模态图神经网络MM-GNN,通过无融合深度互学习、异构图社交建模和情感感知嵌入,实现社交感知的个性化音乐推荐,并在基准数据集上显著超越现有方法。
2025-09-13 cs.IR cs.LG cs.MM
Keen2Act: Activity Recommendation in Online Social Collaborative Platforms
University of Saskatchewan(萨斯喀彻温大学);Singapore Management University(新加坡管理大学);McLaren Applied(迈凯伦应用技术公司)
GitHub和Stack Overflow等社交协作平台越来越多地用于通过协作提高工作效率。为了改善这些平台中的用户体验,期望具有一种推荐系统,其不仅可以建议项目(例如,GitHub存储库),而且还包括要对建议项目执行的活动(例如,forking一个repository)。为此,我们提出了一种新的方法,称为Keen 2Act,它将推荐问题分解为两个阶段:Keen和Act步骤。Keen步骤为给定用户标识他/她可能感兴趣的项目的(子)集合。然后,Act步骤向用户推荐要对所识别的项目集执行哪些活动。这种分解提供了一种实用的方法来处理复杂的活动推荐任务,同时产生更高的推荐质量。我们使用两个真实世界的数据集来评估我们提出的方法,并获得了令人鼓舞的结果,Keen 2Act优于几个基线模型。
2020-05-11 cs.IR cs.LG cs.SE
Multi-faceted Trust-based Collaborative Filtering
University of Torino(都灵大学)
许多协同推荐系统利用社会相关理论来提高推荐性能。然而,它们专注于用户之间的显式关系,而忽略了其他类型的信息,这些信息有助于确定用户的全球声誉;例如,公众对审稿人质量的认可。我们有兴趣了解这些额外类型的反馈是否以及何时改善Top-N推荐。为此,我们提出了一个多方面的信任模型,整合本地的信任,代表社会联系,与各种类型的全球信任证据提供的社交网络。我们的目标是确定一般类别的数据,以使我们的模型适用于不同的案例研究。然后,我们测试的模型,将其应用到一个变种的用户到用户的协同过滤(U2 UCF),支持融合的评级相似性,本地信任来自社会关系,多方面的声誉评级预测。我们在两个数据集上测试了我们的模型:Yelp发布了用户之间的一般朋友关系,但提供了不同类型的信任反馈,包括用户简档认可。LibraryThing数据集提供的反馈类型较少,但它提供了更多针对内容共享的选择性好友关系。我们的实验结果表明,在Yelp数据集上,我们的模型优于U2 UCF和仅使用评级相似性和社会关系的最先进的基于信任的分类器。显然,在LibraryThing数据集中,社会关系和评级相似性的组合达到了最佳效果。我们学到的教训是,多方面的信任可以是一种有价值的推荐信息。然而,在应用程序域中使用它之前,必须对可用信任证据的类型和数量进行分析,以评估其对推荐性能的实际影响。
2020-03-25 cs.IR cs.LG
Neural Fair Collaborative Filtering
University of Maryland, Baltimore County(马里兰大学巴尔的摩郡分校);Hong Kong University of Science and Technology(香港科技大学)
越来越多的人类互动在社交媒体平台上被数字化,并受到算法决策的影响,确保这些算法的公平对待变得越来越重要。在这项工作中,我们研究了在社交媒体数据上训练的协作过滤推荐系统中的性别偏见。我们开发了神经公平协同过滤(NFCF),这是一个实用的框架,用于在推荐敏感项目(例如工作,学术浓度或学习课程)时减轻性别偏见,使用神经协同过滤的预训练和微调方法,并辅以偏见校正技术。我们分别在MovieLens数据集和Facebook数据集上展示了我们的方法在性别去偏见职业和大学专业推荐方面的实用性,并实现了比几个最先进的模型更好的性能和更公平的行为。
2020-09-02 cs.IR cs.LG stat.ML
CB2: Collaborative Natural Language Interaction Research Platform
Cornell University(康奈尔大学)
本文提出 CB2 多智能体平台,通过 3D 游戏环境、后端服务器及可扩展工具研究具身任务导向场景中的协作式自然语言交互,并部署了指令遵循模型进行系统演示。
2023-05-30 cs.AI cs.CL cs.LG
A Neural Attention Model for Adaptive Learning of Social Friends' Preferences
Maastricht University(马斯特里赫特大学)
基于社会的推荐系统利用好友的选择来对抗用户偏好的数据稀疏性,提高协同过滤策略的推荐准确率。主要的挑战是捕捉和权衡朋友的偏好,因为在实践中,他们确实必然匹配。本文提出了一种用于社会协同过滤的神经注意力机制,即NAS。我们设计了一个神经架构,通过考虑朋友对用户行为的社会潜在影响来仔细计算朋友偏好的非线性。此外,我们引入了一个社会行为的注意力机制,自适应地权衡朋友对用户偏好的影响,从而产生准确的建议。我们在公开数据集上的实验证明了所提出的NAS模型比其他最先进的方法的有效性。此外,我们研究了建议的社会行为注意力机制的效果,并表明它是一个关键因素,我们的模型的性能。
2019-06-29 cs.IR cs.LG cs.SI
Wisdom of the Crowd: Incorporating Social Influence in Recommendation Models
推荐系统最近受到了相当大的关注。然而,大多数研究都集中在提高协同过滤(CF)技术的性能。社交网络不可或缺地为我们提供了关于人们偏好的额外信息,应该加以考虑和部署,以提高推荐的质量。本文基于社会传染和社会影响网络理论,提出了两种推荐模型,分别针对个人和群体。在个体推荐模型中,引入社会传染结果对协同过滤预测结果进行改进,模拟了决策过程中信息级联的结果。在群体推荐模型中,我们运用社会影响网络理论,将群体成员之间的人际影响纳入到推荐模型中,形成一个固定的意见分歧模式,然后对群体成员的意见进行聚合。通过引入感受性和人际影响的概念,使评分结果具有一定的灵活性,并倾向于评分为“必要”的成员。
2013-05-17 cs.IR cs.LG cs.SI
A Random Walk Based Model Incorporating Social Information for Recommendations
Deutsche Telekom Laboratories(德国电信实验室);Princeton University(普林斯顿大学)
协同过滤(CF)是构建推荐系统最流行的方法之一。针对推荐系统中的数据稀疏性和冷启动问题,提出了一种基于马尔可夫随机游走的混合协同过滤模型。更准确地说,我们构建了一个有向图,其节点包括项目和用户,以及项目内容,用户简档和社交网络信息。我们将用户的评分纳入图模型的边缘设置。该模型为个人和团体提供个性化的建议和预测。在MovieLens和Eppery数据集上对所提出的算法进行了评估。实验结果表明,与其他基于图的方法相比,所提出的方法性能良好,特别是在冷启动的情况下。
2013-05-17 cs.IR cs.LG
CoRA: Collaborative Information Perception by Large Language Model's Weights for Recommendation
Northeastern University(东北大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对LLM推荐中微调损害通用知识、协同特征干扰提示语义的问题,本文提出CoRA,将协同信息经查询生成与低秩权重转换注入LLM参数空间,实现免微调、免额外标记的个性化推荐并提升性能。
2024-10-25 cs.IR cs.LG
Network Fault-tolerant and Byzantine-resilient Social Learning via Collaborative Hierarchical Non-Bayesian Learning
Northeastern University(东北大学);University of California, Berkeley(加州大学伯克利分校)
针对网络规模扩大带来的信息传播慢、通信故障和对抗攻击挑战,提出分层鲁棒push-sum算法与基于KL散度对偶平均的非贝叶斯学习算法,实现丢包容错与拜占庭弹性,并具备可证明收敛性。
2023-07-27 cs.DC cs.LG cs.NI