論文の概要: FORCE: A Framework of Rule-Based Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2203.10001v1
• Date: Fri, 18 Mar 2022 15:01:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 13:36:15.270300
• Title: FORCE: A Framework of Rule-Based Conversational Recommender System
• Title（参考訳）: フォース:ルールに基づく会話推薦システムの枠組み
• Authors: Jun Quan, Ze Wei, Qiang Gan, Jingqi Yao, Jingyi Lu, Yuchen Dong, Yiming Liu, Yi Zeng, Chao Zhang, Yongzhi Li, Huang Hu, Yingying He, Yang Yang and Daxin Jiang
• Abstract要約: 本稿では,ルールベースの会話レコメンダシステムFOCEを提案する。 FORCEは開発者が簡単な設定でCRSボットを素早く構築するのに役立つ。 異なる言語とドメインの2つのデータセットで実験を行い、その有効性とユーザビリティを検証する。
• 参考スコア（独自算出の注目度）: 37.28739413801297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The conversational recommender systems (CRSs) have received extensive attention in recent years. However, most of the existing works focus on various deep learning models, which are largely limited by the requirement of large-scale human-annotated datasets. Such methods are not able to deal with the cold-start scenarios in industrial products. To alleviate the problem, we propose FORCE, a Framework Of Rule-based Conversational Recommender system that helps developers to quickly build CRS bots by simple configuration. We conduct experiments on two datasets in different languages and domains to verify its effectiveness and usability.
• Abstract（参考訳）: 近年,会話推薦システム (CRS) が注目されている。 しかし、既存の作品の多くはさまざまなディープラーニングモデルに焦点を合わせており、大規模な人間の注釈付きデータセットの要件によってほとんど制限されている。 このような手法は、工業製品におけるコールドスタートシナリオに対処できない。 この問題を軽減するために,ルールベースの会話型レコメンダシステムのフレームワークであるforceを提案する。 異なる言語とドメインの2つのデータセットで実験を行い、その有効性とユーザビリティを検証する。

関連論文リスト

• Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  大規模テキストコーパスで事前訓練されたLarge Language Models (LLMs) は、推奨システムを強化するための有望な道を示す。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• 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)
• Conversational Recommendation as Retrieval: A Simple, Strong Baseline [4.737923227003888]
  会話レコメンデーションシステム(CRS)は,自然言語会話を通じて適切な項目をユーザに推薦することを目的としている。 ほとんどのCRSアプローチは、これらの会話によって提供されるシグナルを効果的に利用しない。 CRS項目推薦タスクに対して、代替情報検索(IR)スタイルのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-23T06:21:31Z)
• 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)
• C2-CRS: Coarse-to-Fine Contrastive Learning for Conversational Recommender System [47.18484863699936]
  本稿では,会話レコメンデータシステムのためのデータセマンティックフュージョンを改善するための,新しいコントラスト学習フレームワークを提案する。 提案手法では,まず異なるデータ信号から多粒度意味単位を抽出し,次に,関連した多形意味単位を粗い方法で整列させる。 2つの公開CRSデータセットを用いた実験により,提案手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2022-01-04T11:39:41Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)
• 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)

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。