論文の概要: RevCore: Review-augmented Conversational Recommendation
- arxiv url: http://arxiv.org/abs/2106.00957v1
- Date: Wed, 2 Jun 2021 05:46:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-03 14:35:37.384468
- Title: RevCore: Review-augmented Conversational Recommendation
- Title（参考訳）: revcore:レビューによるリコメンデーション
- Authors: Yu Lu, Junwei Bao, Yan Song, Zichen Ma, Shuguang Cui, Youzheng Wu, and
Xiaodong He
- Abstract要約: RevCore(Review-augmented Conversational Recommender)と呼ばれる新しいエンドツーエンドフレームワークを設計します。
より詳しくは、感情一貫性のあるレビューを抽出し、レビューに富んだエンティティベースの提案を行うとともに、レビューアテンティブなエンコーダデコーダを用いて応答生成を行う。
- 参考スコア（独自算出の注目度）: 45.70198581510986
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Existing conversational recommendation (CR) systems usually suffer from
insufficient item information when conducted on short dialogue history and
unfamiliar items. Incorporating external information (e.g., reviews) is a
potential solution to alleviate this problem. Given that reviews often provide
a rich and detailed user experience on different interests, they are potential
ideal resources for providing high-quality recommendations within an
informative conversation. In this paper, we design a novel end-to-end
framework, namely, Review-augmented Conversational Recommender (RevCore), where
reviews are seamlessly incorporated to enrich item information and assist in
generating both coherent and informative responses. In detail, we extract
sentiment-consistent reviews, perform review-enriched and entity-based
recommendations for item suggestions, as well as use a review-attentive
encoder-decoder for response generation. Experimental results demonstrate the
superiority of our approach in yielding better performance on both
recommendation and conversation responding.
- Abstract（参考訳）: 既存の会話レコメンデーション(CR)システムは通常、短い対話履歴や馴染みのない項目で行うと、不十分な項目情報に悩まされる。
外部情報(例えばレビュー)を組み込むことは、この問題を軽減する潜在的な解決策である。
レビューは、様々な関心事に関するリッチで詳細なユーザーエクスペリエンスを提供することが多いので、情報的な会話の中で高品質なレコメンデーションを提供するのに理想的なリソースである。
本稿では、レビューをシームレスに組み込んでアイテム情報を充実させ、コヒーレントかつインフォメーションな応答を生成するための新しいエンド・ツー・エンドのフレームワーク、revcore(review-augmented conversational recommender)を設計した。
より詳しくは、感情一貫性のあるレビューを抽出し、レビューに富んだエンティティベースの提案を行うとともに、レビューアテンティブなエンコーダデコーダを用いて応答生成を行う。
実験の結果,提案手法は,推薦と会話の反応の両方において,優れた性能が得られることが示された。
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) - Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。
粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。
きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
論文 参考訳（メタデータ） (2024-06-24T17:19:34Z) - Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives [11.835903510784735]
レビューベースのレコメンデータシステムは、この分野において重要なサブフィールドとして現れている。
本稿では,これらのシステムを分類し,その特徴,有効性,限界を解析し,最先端の手法を要約する。
本稿では,マルチモーダルデータの統合,複数基準評価情報の統合,倫理的考察など,今後の研究の方向性を提案する。
論文 参考訳（メタデータ） (2024-05-09T05:45:18Z) - 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) - Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。
個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。
3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文 参考訳（メタデータ） (2023-05-09T10:38:36Z) - Aligning Recommendation and Conversation via Dual Imitation [56.236932446280825]
提案するDICR(Dual Imitation for Conversational Recommendation)は,リコメンデーションパスとユーザ関心シフトパスを明確に整合させる2つの模倣を設計する。
アライメント信号の交換により、DICRはレコメンデーションと会話モジュール間の双方向のプロモーションを実現する。
実験により、DICRは推奨と会話のパフォーマンスに関する最先端モデルよりも、自動的、人的、斬新な説明可能性の指標の方が優れていることが示された。
論文 参考訳（メタデータ） (2022-11-05T08:13:46Z) - 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) - 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) - How Useful are Reviews for Recommendation? A Critical Review and
Potential Improvements [8.471274313213092]
本稿では,レビューテキストを用いてレコメンデーションシステムの改善を目指す,新たな作業体系について検討する。
実験条件やデータ前処理に変化はあるものの, 論文間で結果がコピーされていることから, 報告結果にいくつかの相違点がみられた。
さらなる調査では、リコメンデーションのためのユーザレビューの"重要"に関して、はるかに大きな問題に関する議論が求められている。
論文 参考訳（メタデータ） (2020-05-25T16:30:05Z) - Automating App Review Response Generation [67.58267006314415]
本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。
58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
論文 参考訳（メタデータ） (2020-02-10T05:23:38Z)
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。