論文の概要: Leveraging Historical Interaction Data for Improving Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2008.08247v1
• Date: Wed, 19 Aug 2020 03:43:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 08:40:07.185981
• Title: Leveraging Historical Interaction Data for Improving Conversational Recommender System
• Title（参考訳）: 履歴対話データを活用した会話推薦システムの改善
• Authors: Kun Zhou, Wayne Xin Zhao, Hui Wang, Sirui Wang, Fuzheng Zhang, Zhongyuan Wang and Ji-Rong Wen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 105.90963882850265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, conversational recommender system (CRS) has become an emerging and practical research topic. Most of the existing CRS methods focus on learning effective preference representations for users from conversation data alone. While, we take a new perspective to leverage historical interaction data for improving CRS. For this purpose, we propose a novel pre-training approach to integrating both item-based preference sequence (from historical interaction data) and attribute-based preference sequence (from conversation data) via pre-training methods. We carefully design two pre-training tasks to enhance information fusion between item- and attribute-based preference. To improve the learning performance, we further develop an effective negative sample generator which can produce high-quality negative samples. Experiment results on two real-world datasets have demonstrated the effectiveness of our approach for improving CRS.
• Abstract（参考訳）: 近年,会話レコメンデーションシステム(CRS)が,新たな,実践的な研究課題となっている。 既存のcrs手法のほとんどは、会話データのみからユーザの効果的な選好表現を学習することに焦点を当てている。 一方,CRSの改善に歴史的なインタラクションデータを活用するために,新たな視点を採っている。 そこで本研究では,アイテムベースの嗜好シーケンス(履歴対話データから)と属性ベースの選好シーケンス(会話データから)を事前学習手法で統合する,新しい事前学習手法を提案する。 我々は2つの事前学習タスクを慎重に設計し、アイテムと属性に基づく嗜好間の情報融合を強化する。 学習性能を向上させるため,高品質な負のサンプルを生成できる効果的な負のサンプル生成装置を開発した。 実世界の2つのデータセットにおける実験結果から,crs改善へのアプローチの有効性が示された。

関連論文リスト

• Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems [65.75265303064654]
  対話レコメンデーションシステム(CRS)は、ユーザとの対話を通じてパーソナライズされたレコメンデーションを提供することを目的としている。 大規模言語モデル(LLM)は、コンテキスト対応のユーザの好みに対する理解が優れているため、CRSを強化する。 CRAG(Collaborative Retrieval Augmented Generation for LLM-based CRS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T22:47:40Z)
• A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
  新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。 合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。 実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。 高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
  論文  参考訳（メタデータ） (2024-12-18T15:38:39Z)
• Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
  知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。 具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
  論文  参考訳（メタデータ） (2024-08-02T15:38:55Z)
• Improving Conversational Recommendation Systems via Bias Analysis and Language-Model-Enhanced Data Augmentation [28.349599213528627]
  会話レコメンデーションシステム(CRS)は,言語モデリング技術の進歩とともに注目されている研究分野である。 本研究では、CRSモデル開発のためのベンチマークデータセットを探索し、マルチターン相互作用に固有のフィードバックループから生じる潜在的なバイアスに対処する。 バイアスを緩和しながらモデル性能を向上させるための2つの新しい戦略「Once-Aug」と「PopNudge」を提案する。
  論文  参考訳（メタデータ） (2023-10-25T16:11:55Z)
• Alleviating the Long-Tail Problem in Conversational Recommender Systems [72.8984755843184]
  会話レコメンデータシステム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSデータセットは、長い尾の問題に悩まされているため、会話で言及される項目はめったにない(あるいは一度もない)。 本稿では、バランスの取れたCRSデータセットのシミュレーションと利用に焦点を当てた新しいフレームワークである textbfLOT-CRS を提案する。
  論文  参考訳（メタデータ） (2023-07-21T15:28:47Z)
• Improving Conversational Recommendation Systems via Counterfactual Data Simulation [73.4526400381668]
  会話推薦システム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSアプローチは、トレーニングデータの不足により、トレーニングの不十分な問題に悩まされることが多い。 我々は,CRSにおけるデータ不足の問題を緩和するため,CFCRSと呼ばれるCRSに対するCounterFactualデータシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T12:48:56Z)
• 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)
• C2-CRS: Coarse-to-Fine Contrastive Learning for Conversational Recommender System [47.18484863699936]
  本稿では,会話レコメンデータシステムのためのデータセマンティックフュージョンを改善するための,新しいコントラスト学習フレームワークを提案する。 提案手法では,まず異なるデータ信号から多粒度意味単位を抽出し,次に,関連した多形意味単位を粗い方法で整列させる。 2つの公開CRSデータセットを用いた実験により,提案手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2022-01-04T11:39:41Z)

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。