論文の概要: Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users
- arxiv url: http://arxiv.org/abs/2005.12979v5
- Date: Wed, 5 Oct 2022 08:15:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 03:27:34.859234
- Title: Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users
- Title(参考訳): 属性と項目をシームレスに統一する:コールドスタートユーザのための会話勧告
- Authors: Shijun Li, Wenqiang Lei, Qingyun Wu, Xiangnan He, Peng Jiang, Tat-Seng
Chua
- Abstract要約: コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
- 参考スコア(独自算出の注目度): 111.28351584726092
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Static recommendation methods like collaborative filtering suffer from the
inherent limitation of performing real-time personalization for cold-start
users. Online recommendation, e.g., multi-armed bandit approach, addresses this
limitation by interactively exploring user preference online and pursuing the
exploration-exploitation (EE) trade-off. However, existing bandit-based methods
model recommendation actions homogeneously. Specifically, they only consider
the items as the arms, being incapable of handling the item attributes, which
naturally provide interpretable information of user's current demands and can
effectively filter out undesired items. In this work, we consider the
conversational recommendation for cold-start users, where a system can both ask
the attributes from and recommend items to a user interactively. This important
scenario was studied in a recent work. However, it employs a hand-crafted
function to decide when to ask attributes or make recommendations. Such
separate modeling of attributes and items makes the effectiveness of the system
highly rely on the choice of the hand-crafted function, thus introducing
fragility to the system. To address this limitation, we seamlessly unify
attributes and items in the same arm space and achieve their EE trade-offs
automatically using the framework of Thompson Sampling. Our Conversational
Thompson Sampling (ConTS) model holistically solves all questions in
conversational recommendation by choosing the arm with the maximal reward to
play. Extensive experiments on three benchmark datasets show that ConTS
outperforms the state-of-the-art methods Conversational UCB (ConUCB) and
Estimation-Action-Reflection model in both metrics of success rate and average
number of conversation turns.
- Abstract(参考訳): コラボレーティブフィルタリングのような静的レコメンデーションメソッドは、コールドスタートユーザに対してリアルタイムパーソナライズを実行するという固有の制限に苦しむ。
オンラインレコメンデーション、例えばマルチ武器のバンディットアプローチは、オンラインのユーザの好みをインタラクティブに探索し、EE(Exploitation-Exploitation)トレードオフを追求することで、この制限に対処する。
しかし、既存のバンディットに基づく手法は、同質に推奨行動をモデル化する。
具体的には、アイテム属性を扱うことができないため、ユーザの現在の要求の解釈可能な情報を提供し、望ましくないアイテムを効果的にフィルタリングすることができる。
本研究では,コールドスタートユーザに対して,ユーザが対話的に属性を問うり,アイテムを推薦したりできる対話型レコメンデーションについて検討する。
この重要なシナリオは最近の研究で研究された。
しかし、属性をいつ尋ねるか、あるいはレコメンデーションを行うかを決めるために手作りの関数を使う。
このような属性と項目の分離したモデリングは、システムの有効性を手作り機能の選択に大きく依存させ、システムに脆弱をもたらす。
この制限に対処するため、同じアームスペースで属性とアイテムをシームレスに統一し、Thompson Samplingのフレームワークを使用してEEのトレードオフを自動的に達成します。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
3つのベンチマークデータセットの大規模な実験により、ConTSは、成功率と平均会話回数の両方で、最先端の手法であるConUCB(Conversational UCB)と推定-Action-Reflectionモデルより優れていることが示された。
関連論文リスト
- Large Language Model Augmented Narrative Driven Recommendations [51.77271767160573]
ナラティブ・ドリブン・レコメンデーション(NDR)は、ユーザが好みや文脈を冗長に記述してレコメンデーションを募る情報アクセス問題である。
NDRはモデルのための豊富なトレーニングデータがなく、現在のプラットフォームは一般的にこれらの要求をサポートしない。
大規模言語モデル(LLM)を用いてNDRモデルのトレーニングを行う。
論文 参考訳(メタデータ) (2023-06-04T03:46:45Z) - Multi-View Interactive Collaborative Filtering [0.0]
本稿では、評価情報と文脈情報の両方を組み込んだ、新しいオンライン潜在因子推薦アルゴリズムを提案する。
MV-ICTRは、コールドスタートユーザやアイテムの比率が高いデータセットの性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-05-14T20:31:37Z) - Talk the Walk: Synthetic Data Generation for Conversational Music
Recommendation [62.019437228000776]
本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。
人間の収集したデータセットで100万以上の多様な会話を生成します。
論文 参考訳(メタデータ) (2023-01-27T01:54:16Z) - COLA: Improving Conversational Recommender Systems by Collaborative
Augmentation [9.99763097964222]
アイテム表現学習とユーザ嗜好モデリングの両方を改善するために,協調的拡張(COLA)手法を提案する。
すべての会話から対話型ユーザテムグラフを構築し,ユーザ認識情報によってアイテム表現を拡大する。
ユーザの嗜好モデルを改善するため,学習コーパスから類似した会話を検索し,ユーザの興味を反映した関連項目や属性を用いてユーザ表現を増強する。
論文 参考訳(メタデータ) (2022-12-15T12:37:28Z) - Hierarchical Conversational Preference Elicitation with Bandit Feedback [36.507341041113825]
提案システムでは,各ラウンドで推薦するキータームかアイテムのいずれかを選択することができる。
実世界のデータセットを調査・分析し、先行研究と異なり、キーターム報酬は主に代表品の報酬に影響されていることを確認する。
我々は、この観測結果とキータームとアイテム間の階層構造を利用する2つの帯域幅アルゴリズム、Hier-UCBとHier-LinUCBを提案する。
論文 参考訳(メタデータ) (2022-09-06T05:35:24Z) - What is wrong with you?: Leveraging User Sentiment for Automatic Dialog
Evaluation [73.03318027164605]
本稿では,次のユーザの発話から自動的に抽出できる情報をプロキシとして利用して,前のシステム応答の質を測定することを提案する。
本モデルは,実際のユーザおよび有償ユーザから収集した音声と書面の両方のオープンドメインダイアログコーパスを一般化する。
論文 参考訳(メタデータ) (2022-03-25T22:09:52Z) - Discovering Personalized Semantics for Soft Attributes in Recommender
Systems using Concept Activation Vectors [34.56323846959459]
インタラクティブなレコメンデータシステムは、ユーザがよりリッチな方法で意図、好み、制約、コンテキストを表現することを可能にする。
課題の1つは、ユーザのセマンティックな意図を、しばしば望ましい項目を記述するために使用されるオープンエンドの用語や属性から推測することである。
このような属性のセマンティクスを捉える表現を学習し、それをレコメンデーションシステムにおけるユーザの好みや行動に結びつけるためのフレームワークを開発する。
論文 参考訳(メタデータ) (2022-02-06T18:45:15Z) - Conversational Recommendation: Theoretical Model and Complexity Analysis [6.084774669743511]
理論的にドメインに依存しない会話推薦モデルを提案する。
効率的な会話戦略の発見はNPハードであることが示される。
また,カタログの特徴が個々の対話戦略の効率性に強く影響を与えることを示す。
論文 参考訳(メタデータ) (2021-11-10T09:05:52Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳(メタデータ) (2021-05-16T08:06:22Z) - A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
ベイズ的アプローチに基づく会話推薦システムを提案する。
エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
論文 参考訳(メタデータ) (2020-02-12T15:59:31Z)
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。