論文の概要: Advances and Challenges in Conversational Recommender Systems: A Survey

• arxiv url: http://arxiv.org/abs/2101.09459v5
• Date: Sun, 7 Feb 2021 03:58:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 10:43:29.206229
• Title: Advances and Challenges in Conversational Recommender Systems: A Survey
• Title（参考訳）: 会話型推薦システムの進歩と課題:調査
• Authors: Chongming Gao, Wenqiang Lei, Xiangnan He, Maarten de Rijke, Tat-Seng Chua
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 133.93908165922804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems exploit interaction history to estimate user preference, having been heavily used in a wide range of industry applications. However, static recommendation models are difficult to answer two important questions well due to inherent shortcomings: (a) What exactly does a user like? (b) Why does a user like an item? The shortcomings are due to the way that static models learn user preference, i.e., without explicit instructions and active feedback from users. The recent rise of conversational recommender systems (CRSs) changes this situation fundamentally. In a CRS, users and the system can dynamically communicate through natural language interactions, which provide unprecedented opportunities to explicitly obtain the exact preference of users. Considerable efforts, spread across disparate settings and applications, have been put into developing CRSs. Existing models, technologies, and evaluation methods for CRSs are far from mature. In this paper, we provide a systematic review of the techniques used in current CRSs. We summarize the key challenges of developing CRSs into five directions: (1) Question-based user preference elicitation. (2) Multi-turn conversational recommendation strategies. (3) Dialogue understanding and generation. (4) Exploitation-exploration trade-offs. (5) Evaluation and user simulation. These research directions involve multiple research fields like information retrieval (IR), natural language processing (NLP), and human-computer interaction (HCI). Based on these research directions, we discuss some future challenges and opportunities. We provide a road map for researchers from multiple communities to get started in this area. We hope this survey helps to identify and address challenges in CRSs and inspire future research.
• Abstract（参考訳）: レコメンダシステムは、幅広い業界アプリケーションで多用されたユーザー好みを推定するためにインタラクション履歴を利用する。 しかし,静的レコメンデーションモデルは,本質的な欠点から,2つの重要な質問に答えることが困難である。 (b)なぜユーザがアイテムを好むのか? 欠点は、静的モデルがユーザの好み、すなわち明示的な指示やユーザからのアクティブなフィードバックなしで学習する方法にある。 近年の会話レコメンデーションシステム(CRS)の台頭は、この状況を根本的に変える。 CRSでは、ユーザとシステムは自然言語による対話を通じて動的に通信することができ、ユーザの正確な嗜好を明確化するための前例のない機会を提供する。 異なる設定やアプリケーションにまたがる考慮すべき取り組みは、CRSの開発に費やされている。 既存のCRSのモデル、技術、評価方法はまだ成熟していない。 本稿では,現在のCRSで使用されている技術について,体系的なレビューを行う。 我々は,crssを開発する上での課題を,(1)質問に基づくユーザ嗜好の誘発という5つの方向にまとめる。 (2)多方向対話型推薦戦略。 3)対話の理解と生成。 (4)爆発探索トレードオフ (5)評価とユーザシミュレーション。 これらの研究の方向性には、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)など複数の研究分野が含まれる。 これらの研究の方向性に基づき、今後の課題と機会について論じる。 複数のコミュニティの研究者がこの分野に参入するためのロードマップを提供する。 この調査がCRSの課題を特定し、対処し、将来の研究を促すのに役立つことを願っています。

関連論文リスト

• Towards Empathetic Conversational Recommender Systems [77.53167131692]
  本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。 ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。 ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-30T15:43:07Z)
• 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)
• Meta Policy Learning for Cold-Start Conversational Recommendation [71.13044166814186]
  メタ強化学習を用いて冷間開始ユーザを対象としたCRSポリシー学習について検討する。 政策適応を容易にするために,3つの相乗成分を設計する。
  論文  参考訳（メタデータ） (2022-05-24T05:06:52Z)
• BARCOR: Towards A Unified Framework for Conversational Recommendation Systems [40.464281243375815]
  会話推薦のためのBARTに基づく統合フレームワークを提案する。 また,映画領域におけるCRSのための軽量知識グラフの設計と収集を行う。
  論文  参考訳（メタデータ） (2022-03-27T09:42:16Z)
• 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)
• Deep Conversational Recommender Systems: A New Frontier for Goal-Oriented Dialogue Systems [54.06971074217952]
  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。
  論文  参考訳（メタデータ） (2020-04-28T02:20:42Z)
• 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。