論文の概要: Towards Topic-Guided Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2010.04125v2
• Date: Mon, 2 Nov 2020 14:25:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 12:52:47.930729
• Title: Towards Topic-Guided Conversational Recommender System
• Title（参考訳）: 話題案内型会話推薦システムに向けて
• Authors: Kun Zhou, Yuanhang Zhou, Wayne Xin Zhao, Xiaoke Wang and Ji-Rong Wen
• Abstract要約: textbfTG-ReDial(textbfTopic-textbfGuided textbfDialogによるtextbfRecommendation)という新しいCRSデータセットをコントリビュートする。 本稿では,話題誘導型会話レコメンデーションの課題を提示し,この課題に対する効果的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 80.3725246715938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational recommender systems (CRS) aim to recommend high-quality items to users through interactive conversations. To develop an effective CRS, the support of high-quality datasets is essential. Existing CRS datasets mainly focus on immediate requests from users, while lack proactive guidance to the recommendation scenario. In this paper, we contribute a new CRS dataset named \textbf{TG-ReDial} (\textbf{Re}commendation through \textbf{T}opic-\textbf{G}uided \textbf{Dial}og). Our dataset has two major features. First, it incorporates topic threads to enforce natural semantic transitions towards the recommendation scenario. Second, it is created in a semi-automatic way, hence human annotation is more reasonable and controllable. Based on TG-ReDial, we present the task of topic-guided conversational recommendation, and propose an effective approach to this task. Extensive experiments have demonstrated the effectiveness of our approach on three sub-tasks, namely topic prediction, item recommendation and response generation. TG-ReDial is available at https://github.com/RUCAIBox/TG-ReDial.
• Abstract（参考訳）: 対話型推薦システム(CRS)は,対話型対話を通じて高品質な項目をユーザに推薦することを目的としている。 効率的なCRSを開発するためには、高品質なデータセットのサポートが不可欠である。 既存のCRSデータセットは主にユーザからの即時要求に焦点を当てているが、レコメンデーションシナリオに対する積極的なガイダンスがない。 本稿では,新しい CRS データセットである \textbf{TG-ReDial} (\textbf{Re}commendation through \textbf{T}opic-\textbf{G}uided \textbf{Dial}og。 私たちのデータセットには2つの大きな特徴があります。 まず、トピックスレッドを組み込んで、推奨シナリオに対する自然なセマンティックな遷移を強制する。 第2に、半自動的な方法で作成されるため、人間のアノテーションはより合理的で制御可能である。 本稿では,TG-ReDialに基づいてトピック誘導型会話推薦の課題を提示し,この課題に対する効果的なアプローチを提案する。 提案手法の有効性を,トピック予測,項目推薦,応答生成という3つのサブタスクで実証した。 TG-ReDialはhttps://github.com/RUCAIBox/TG-ReDialで入手できる。

関連論文リスト

• 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)
• Parameter-Efficient Conversational Recommender System as a Language Processing Task [52.47087212618396]
  会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。 先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。 本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-01-25T14:07:34Z)
• 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)
• Conversational Recommendation as Retrieval: A Simple, Strong Baseline [4.737923227003888]
  会話レコメンデーションシステム(CRS)は,自然言語会話を通じて適切な項目をユーザに推薦することを目的としている。 ほとんどのCRSアプローチは、これらの会話によって提供されるシグナルを効果的に利用しない。 CRS項目推薦タスクに対して、代替情報検索(IR)スタイルのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-23T06:21:31Z)
• EGCR: Explanation Generation for Conversational Recommendation [7.496434082286226]
  対話エージェントがなぜ行動を起こすのかを説明するための説明文を生成することに基づく会話推薦のための説明生成(EGCR)。 EGCRはユーザレビューを取り入れて項目表現を強化し、会話全体の情報性を高める。 EGCRを1つのベンチマークの会話推薦データセット上で評価し、他の最先端技術モデルと比較して、推奨精度と会話品質の両方で優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-08-17T02:30:41Z)
• Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
  対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。 KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。 最終的には、正確な推奨は会話の順番を少なくして生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:58:10Z)
• 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)
• Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion [77.21442487537139]
  対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。 まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。 第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
  論文  参考訳（メタデータ） (2020-07-08T11:14:23Z)

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。