論文の概要: Developing a Conversational Recommendation System for Navigating Limited Options

• arxiv url: http://arxiv.org/abs/2104.06552v1
• Date: Tue, 13 Apr 2021 23:46:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 13:13:13.624629
• Title: Developing a Conversational Recommendation System for Navigating Limited Options
• Title（参考訳）: 限られた選択肢をナビゲートするための会話レコメンデーションシステムの開発
• Authors: Victor S. Bursztyn (1), Jennifer Healey (2), Eunyee Koh (2), Nedim Lipka (2), Larry Birnbaum (1) ((1) Northwestern University, (2) Adobe)
• Abstract要約: 我々は,ユーザが最適な選択肢を見つけるために,限られた選択肢をナビゲートするのに役立つような対話型レコメンデーションシステムを開発した。 特定の検索語を用いて数千からランク付けされたオプションのリストを返す多くのインターネットスケールシステムとは異なり、本システムはユーザの好みを深く理解するためにマルチターンユーザーダイアログを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We have developed a conversational recommendation system designed to help users navigate through a set of limited options to find the best choice. Unlike many internet scale systems that use a singular set of search terms and return a ranked list of options from amongst thousands, our system uses multi-turn user dialog to deeply understand the users preferences. The system responds in context to the users specific and immediate feedback to make sequential recommendations. We envision our system would be highly useful in situations with intrinsic constraints, such as finding the right restaurant within walking distance or the right retail item within a limited inventory. Our research prototype instantiates the former use case, leveraging real data from Google Places, Yelp, and Zomato. We evaluated our system against a similar system that did not incorporate user feedback in a 16 person remote study, generating 64 scenario-based search journeys. When our recommendation system was successfully triggered, we saw both an increase in efficiency and a higher confidence rating with respect to final user choice. We also found that users preferred our system (75%) compared with the baseline.
• Abstract（参考訳）: 我々は,ユーザが最適な選択肢を見つけるために,限られた選択肢をナビゲートするための会話推薦システムを開発した。 特定の検索語を用いて数千からランク付けされたオプションのリストを返す多くのインターネットスケールシステムとは異なり、本システムはユーザの好みを深く理解するためにマルチターンユーザーダイアログを使用する。 システムはユーザ固有のコンテキストと即時フィードバックに応答し、シーケンシャルなレコメンデーションを行う。 本システムは,歩行距離内の適切なレストランや限られた在庫内で適切な小売商品を見つけるといった,本質的な制約のある状況において,非常に有用であると考えられる。 我々の研究プロトタイプは、Google Places、Yelp、Zomatoの実際のデータを活用することで、以前のユースケースをインスタンス化する。 我々は16人の遠隔研究にユーザフィードバックを組み込まなかった類似システムに対してシステム評価を行い,64回のシナリオベース検索を行った。 推薦システムが正常に起動すると、最終的なユーザ選択に対する効率性と高い信頼度の両方が向上することがわかった。 また,利用者はベースラインと比較してシステム(75%)を好んだ。

関連論文リスト

• Utilizing Collaborative Filtering in a Personalized Research-Paper Recommendation System [0.0]
  リサーチペーパーレコメンデーションシステム(リサーチペーパーレコメンデーションシステム)は、共通の研究関心を持つ人々向けに開発されたシステムである。 対象ユーザ調査論文の上位nの類似ユーザを対象に,提案したレコメンデーションを作成した。
  論文  参考訳（メタデータ） (2024-09-28T06:47:30Z)
• System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
  本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。 そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
  論文  参考訳（メタデータ） (2024-05-29T18:19:37Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• DRIFT: A Federated Recommender System with Implicit Feedback on the Items [0.0]
  DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。 我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。 我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
  論文  参考訳（メタデータ） (2023-04-17T13:12:33Z)
• Comparison-based Conversational Recommender System with Relative Bandit Feedback [15.680698037463488]
  比較に基づく会話推薦システムを提案する。 我々はRelativeConUCBと呼ばれる新しい帯域幅アルゴリズムを提案する。 合成および実世界の両方のデータセットに対する実験により,提案手法の利点が検証された。
  論文  参考訳（メタデータ） (2022-08-21T08:05:46Z)
• Self-Supervised Bot Play for Conversational Recommendation with Justifications [3.015622397986615]
  会話レコメンデーションシステムのトレーニングを行うための新しい2部フレームワークを開発した。 まず,提案する項目を共同で提案し,その推論を主観的な側面で正当化するために,推薦システムを訓練する。 次に、このモデルを微調整して、自己教師型ボットプレイによる反復的なユーザフィードバックを組み込む。
  論文  参考訳（メタデータ） (2021-12-09T20:07:41Z)
• Measuring Recommender System Effects with Simulated Users [19.09065424910035]
  人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。 各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
  論文  参考訳（メタデータ） (2021-01-12T14:51:11Z)
• Improving Conversational Question Answering Systems after Deployment using Feedback-Weighted Learning [69.42679922160684]
  本稿では,二元的ユーザフィードバックを用いた初期教師付きシステムを改善するために,重要サンプリングに基づくフィードバック重み付き学習を提案する。 当社の作業は,実際のユーザとのインタラクションを活用し,デプロイ後の会話システムを改善する可能性を開くものだ。
  論文  参考訳（メタデータ） (2020-11-01T19:50:34Z)
• Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
  信頼できるレコメンデーションシステムを採用することが重要になります。 本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
  論文  参考訳（メタデータ） (2020-04-08T02:11:55Z)

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。