論文の概要: Deep Conversational Recommender Systems: A New Frontier for Goal-Oriented Dialogue Systems

• arxiv url: http://arxiv.org/abs/2004.13245v1
• Date: Tue, 28 Apr 2020 02:20:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 21:48:08.743661
• Title: Deep Conversational Recommender Systems: A New Frontier for Goal-Oriented Dialogue Systems
• Title（参考訳）: Deep Conversational Recommender Systems: ゴール指向対話システムのための新しいフロンティア
• Authors: Dai Hoang Tran, Quan Z. Sheng, Wei Emma Zhang, Salma Abdalla Hamad, Munazza Zaib, Nguyen H. Tran, Lina Yao, Nguyen Lu Dang Khoa
• Abstract要約: Conversational Recommender System (CRS)は対話型対話を通じてユーザの好みを学習し、モデル化する。 ディープラーニングアプローチはCRSに適用され、実りある結果を生み出した。
• 参考スコア（独自算出の注目度）: 54.06971074217952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the emerging topics of recommender systems that take advantage of natural language processing techniques have attracted much attention, and one of their applications is the Conversational Recommender System (CRS). Unlike traditional recommender systems with content-based and collaborative filtering approaches, CRS learns and models user's preferences through interactive dialogue conversations. In this work, we provide a summarization of the recent evolution of CRS, where deep learning approaches are applied to CRS and have produced fruitful results. We first analyze the research problems and present key challenges in the development of Deep Conversational Recommender Systems (DCRS), then present the current state of the field taken from the most recent researches, including the most common deep learning models that benefit DCRS. Finally, we discuss future directions for this vibrant area.
• Abstract（参考訳）: 近年,自然言語処理技術を活用したレコメンデータシステムの新たな話題が注目され,その応用例としてConversational Recommender System (CRS)がある。 コンテンツベースで協調的なフィルタリングアプローチを持つ従来のレコメンデータシステムとは異なり、CRSは対話型対話を通じてユーザの好みを学習し、モデル化する。 本研究では,最近のCRSの進化を要約し,深層学習アプローチをCRSに適用し,実りある結果を得た。 まず,深層会話型レコメンダシステム(deep conversational recommender systems, dcrs)の開発において,研究課題を分析し,その課題を提示する。 最後に、この活気ある地域の今後の方向性について論じる。

関連論文リスト

• A Conversation is Worth A Thousand Recommendations: A Survey of Holistic Conversational Recommender Systems [54.78815548652424]
  会話レコメンデータシステムは対話的なプロセスを通じてレコメンデーションを生成する。 すべてのCRSアプローチが、インタラクションデータのソースとして人間の会話を使用するわけではない。 全体論的CRSは、現実世界のシナリオから収集された会話データを使って訓練される。
  論文  参考訳（メタデータ） (2023-09-14T12:55:23Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models [115.7508325840751]
  近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。 本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。 LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:12:43Z)
• Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System [11.404192885921498]
  Chat-Recは会話レコメンデーションシステムを構築するための新しいパラダイムである。 Chat-Recは、ユーザの好みを学習し、ユーザと製品間の接続を確立するのに有効である。 実験では、Chat-Recはトップkレコメンデーションの結果を効果的に改善し、ゼロショット評価予測タスクでより良いパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2023-03-25T17:37:43Z)
• FORCE: A Framework of Rule-Based Conversational Recommender System [37.28739413801297]
  本稿では,ルールベースの会話レコメンダシステムFOCEを提案する。 FORCEは開発者が簡単な設定でCRSボットを素早く構築するのに役立つ。 異なる言語とドメインの2つのデータセットで実験を行い、その有効性とユーザビリティを検証する。
  論文  参考訳（メタデータ） (2022-03-18T15:01:32Z)
• Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
  現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。 CRS開発の主な課題を5つの方向にまとめます。 これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
  論文  参考訳（メタデータ） (2021-01-23T08:53:15Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)
• A Survey on Conversational Recommender Systems [11.319431345375751]
  会話レコメンデータシステム(CRS)は異なるアプローチを採用し、よりリッチなインタラクションをサポートする。 CRSに対する関心は、ここ数年で大幅に増加した。 この開発は主に自然言語処理の分野における著しい進歩によるものである。
  論文  参考訳（メタデータ） (2020-04-01T18:00:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。