論文の概要: Category Aware Explainable Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2103.08733v1
• Date: Mon, 15 Mar 2021 21:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-17 23:45:33.821850
• Title: Category Aware Explainable Conversational Recommendation
• Title（参考訳）: カテゴリーを意識した説明可能な会話推薦
• Authors: Nikolaos Kondylidis, Jie Zou and Evangelos Kanoulas
• Abstract要約: リアルタイムのカテゴリベースの会話推奨アプローチを紹介します。 まず,説明可能なユーザモデルを,項目のカテゴリに対する嗜好の形で実施する。 次に、カテゴリの好みを使ってアイテムを推奨します。
• 参考スコア（独自算出の注目度）: 15.904530647091237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most conversational recommendation approaches are either not explainable, or they require external user's knowledge for explaining or their explanations cannot be applied in real time due to computational limitations. In this work, we present a real time category based conversational recommendation approach, which can provide concise explanations without prior user knowledge being required. We first perform an explainable user model in the form of preferences over the items' categories, and then use the category preferences to recommend items. The user model is performed by applying a BERT-based neural architecture on the conversation. Then, we translate the user model into item recommendation scores using a Feed Forward Network. User preferences during the conversation in our approach are represented by category vectors which are directly interpretable. The experimental results on the real conversational recommendation dataset ReDial demonstrate comparable performance to the state-of-the-art, while our approach is explainable. We also show the potential power of our framework by involving an oracle setting of category preference prediction.
• Abstract（参考訳）: ほとんどの会話レコメンデーションアプローチは説明できないか、あるいは説明のために外部ユーザーの知識を必要とするか、あるいは計算上の制限のためにリアルタイムでは適用できない。 本研究では,ユーザの事前知識を必要とせずに簡潔な説明を提供するリアルタイムカテゴリーに基づく会話推薦手法を提案する。 まず,説明可能なユーザモデルを,項目のカテゴリに対する選好という形式で実行し,次にカテゴリ選好を使用して項目を推薦する。 ユーザモデルは、会話にBERTベースのニューラルアーキテクチャを適用して実行される。 次に、フィードフォワードネットワークを用いて、ユーザモデルをアイテムレコメンデーションスコアに変換する。 会話中のユーザの好みは、直接解釈可能なカテゴリベクトルによって表現されます。 実際の会話レコメンデーションデータセットであるReDialの実験結果は、最先端技術に匹敵する性能を示し、我々のアプローチは説明可能である。 当社のフレームワークの潜在的なパワーは,oracleによるカテゴリ選好予測の設定によるものです。

関連論文リスト

• 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)
• Knowledge-grounded Natural Language Recommendation Explanation [11.58207109487333]
  自然言語の説明可能なレコメンデーションに対する知識グラフ(KG)アプローチを提案する。 提案手法は,新しいコラボレーティブフィルタリングに基づくKG表現により,ユーザイテムの特徴を引き出す。 実験結果から,提案手法は,従来の自然言語説明推薦モデルよりも一貫して優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-08-30T07:36:12Z)
• 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)
• 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)
• 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)
• Soliciting User Preferences in Conversational Recommender Systems via Usage-related Questions [21.184555512370093]
  項目使用量に基づいて暗黙的な質問を行うことにより、嗜好の誘惑に対する新しいアプローチを提案する。 まず,項目利用情報を含む大規模なレビューコーパスから文を識別する。 そして,ニューラルネットワークモデルを用いて,これらの文から暗黙の選好質問を生成する。
  論文  参考訳（メタデータ） (2021-11-26T12:23:14Z)
• 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)
• User Memory Reasoning for Conversational Recommendation [68.34475157544246]
  本研究では,ユーザの過去の(オフライン)好みと現在の(オンライン)要求を動的に管理する対話レコメンデーションモデルについて検討する。 MGConvRexはユーザメモリ上の人間レベルの推論をキャプチャし、推奨のためにゼロショット(コールドスタート)推論のためにユーザのトレーニング/テストセットを分離する。
  論文  参考訳（メタデータ） (2020-05-30T05:29:23Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  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。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• 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。