論文の概要: "It doesn't look good for a date": Transforming Critiques into
Preferences for Conversational Recommendation Systems
- arxiv url: http://arxiv.org/abs/2109.07576v1
- Date: Wed, 15 Sep 2021 21:10:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 14:16:45.661315
- Title: "It doesn't look good for a date": Transforming Critiques into
Preferences for Conversational Recommendation Systems
- Title（参考訳）: 『デートには向かない』:評論を会話勧告システムに転換する
- Authors: Victor S. Bursztyn, Jennifer Healey, Nedim Lipka, Eunyee Koh, Doug
Downey, Larry Birnbaum
- Abstract要約: 我々は、大規模なニューラルネットワークモデル(LM)を数ショット設定で使用し、批評から参照への変換を行う。
レビュー・ツー・レファレンス・トランスフォーメーションを活用することでレコメンデーションが向上することを示す。
- 参考スコア（独自算出の注目度）: 36.125371541203215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversations aimed at determining good recommendations are iterative in
nature. People often express their preferences in terms of a critique of the
current recommendation (e.g., "It doesn't look good for a date"), requiring
some degree of common sense for a preference to be inferred. In this work, we
present a method for transforming a user critique into a positive preference
(e.g., "I prefer more romantic") in order to retrieve reviews pertaining to
potentially better recommendations (e.g., "Perfect for a romantic dinner"). We
leverage a large neural language model (LM) in a few-shot setting to perform
critique-to-preference transformation, and we test two methods for retrieving
recommendations: one that matches embeddings, and another that fine-tunes an LM
for the task. We instantiate this approach in the restaurant domain and
evaluate it using a new dataset of restaurant critiques. In an ablation study,
we show that utilizing critique-to-preference transformation improves
recommendations, and that there are at least three general cases that explain
this improved performance.
- Abstract（参考訳）: 良いレコメンデーションを決定するための会話は、本質的に反復的です。
人々はしばしば現在の推奨に対する批判(例えば「日付には良く見えない」など)の観点で自分の好みを表現し、その好みを推測するにはある程度の常識を必要とする。
本稿では,より優れた推薦に関するレビュー(例えば「ロマンチックなディナーに完全」など)を取得するために,ユーザの批判を肯定的な好み(例えば「よりロマンチック」)に転換する方法を提案する。
我々は、数ショット設定で大きなニューラルネットワークモデル(lm)を活用して、批判から参照への変換を行い、レコメンデーションを取得するための2つのメソッドをテストします。
このアプローチをレストランドメインでインスタンス化し,レストラン批判の新しいデータセットを用いて評価する。
アブレーション研究において,批判から参照への変換の活用がレコメンデーションを改善させ,この改善を説明する一般的な事例が少なくとも3つ存在することを示した。
関連論文リスト
- Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳（メタデータ） (2024-10-17T01:02:04Z) - Better Late Than Never: Formulating and Benchmarking Recommendation Editing [25.52471182435051]
本稿では、既知の、不適切なレコメンデーション行動を修正することに焦点を当てたレコメンデーション編集を紹介する。
本稿では, 厳密な修正, 協調的な修正, 集中的な修正の3つの主目的によるレコメンデーション編集の課題を正式に定義する。
ベイジアン・パーソナライズド・ランキング・ロス(Personalized Ranking Loss)を用いたレコメンデーション編集のための簡易かつ効果的なベンチマークを提示する。
論文 参考訳（メタデータ） (2024-06-06T23:44:33Z) - A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
選好選好における選好バイアスの影響について検討した。
大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。
本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
論文 参考訳（メタデータ） (2024-05-01T14:56:56Z) - RLVF: Learning from Verbal Feedback without Overgeneralization [94.19501420241188]
本稿では,このような過度な一般化を伴わずに,言語フィードバックを取り入れることの課題について検討する。
制約付き選好最適化(C3PO)を用いた新しい文脈的批評手法を開発した。
提案手法は,他の文脈に対する既存行動を維持しながら,関連するシナリオに対して効果的な言語フィードバックを適用する。
論文 参考訳（メタデータ） (2024-02-16T18:50:24Z) - RecXplainer: Amortized Attribute-based Personalized Explanations for
Recommender Systems [35.57265154621778]
提案するRecXplainerは,推奨項目の属性に対するユーザの好みに基づいた,きめ細かい説明を生成する手法である。
我々はRecXplainerを5つの実世界および大規模レコメンデーションデータセットで評価する。
論文 参考訳（メタデータ） (2022-11-27T21:00:31Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳（メタデータ） (2022-07-04T17:58:39Z) - RevCore: Review-augmented Conversational Recommendation [45.70198581510986]
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。
論文 参考訳（メタデータ） (2021-06-02T05:46:01Z) - 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) - Interacting with Explanations through Critiquing [40.69540222716043]
本稿では,レビューテキストからレコメンデーションのパーソナライズされた説明を生成する手法を提案する。
我々は,最先端技術による説明よりも,人間の方がこれらの説明をはるかに好んでいることを示す。
私たちの仕事の最も重要なイノベーションは、ユーザーがテキストの説明を批判することでレコメンデーションに反応できることです。
論文 参考訳（メタデータ） (2020-05-22T09:03:06Z) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳（メタデータ） (2020-05-04T16:23:34Z)
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。