論文の概要: Bundle MCR: Towards Conversational Bundle Recommendation
- arxiv url: http://arxiv.org/abs/2207.12628v1
- Date: Tue, 26 Jul 2022 03:28:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:10:54.879635
- Title: Bundle MCR: Towards Conversational Bundle Recommendation
- Title（参考訳）: Bundle MCR: 会話型バンドルレコメンデーションを目指して
- Authors: Zhankui He, Handong Zhao, Tong Yu, Sungchul Kim, Fan Du, Julian
McAuley
- Abstract要約: 本稿では,Bundle MCRという新しい推薦タスクを提案する。
本稿ではまず,複数のエージェントを持つMarkov Decision Processs (MDP) として Bundle MCR を定式化するための新しいフレームワークを提案する。
本フレームワークでは,(1)推薦項目,(2)質問,(3)バンドル対応会話状態に基づく会話管理のためのモデルアーキテクチャである Bundle Bert (Bunt) を提案する。
- 参考スコア（独自算出の注目度）: 34.546239288274634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bundle recommender systems recommend sets of items (e.g., pants, shirt, and
shoes) to users, but they often suffer from two issues: significant interaction
sparsity and a large output space. In this work, we extend multi-round
conversational recommendation (MCR) to alleviate these issues. MCR, which uses
a conversational paradigm to elicit user interests by asking user preferences
on tags (e.g., categories or attributes) and handling user feedback across
multiple rounds, is an emerging recommendation setting to acquire user feedback
and narrow down the output space, but has not been explored in the context of
bundle recommendation. In this work, we propose a novel recommendation task
named Bundle MCR. We first propose a new framework to formulate Bundle MCR as
Markov Decision Processes (MDPs) with multiple agents, for user modeling,
consultation and feedback handling in bundle contexts. Under this framework, we
propose a model architecture, called Bundle Bert (Bunt) to (1) recommend items,
(2) post questions and (3) manage conversations based on bundle-aware
conversation states. Moreover, to train Bunt effectively, we propose a
two-stage training strategy. In an offline pre-training stage, Bunt is trained
using multiple cloze tasks to mimic bundle interactions in conversations. Then
in an online fine-tuning stage, Bunt agents are enhanced by user interactions.
Our experiments on multiple offline datasets as well as the human evaluation
show the value of extending MCR frameworks to bundle settings and the
effectiveness of our Bunt design.
- Abstract（参考訳）: バンドルレコメンダシステムは、ユーザに対して一連のアイテム(ズボン、シャツ、靴など)を推奨するが、それらは大きな相互作用空間と大きな出力空間の2つの問題に悩まされる。
本研究では,これらの問題を緩和するために,マルチラウンド会話レコメンデーション(MCR)を拡張した。
MCRは、対話的パラダイムを使用して、タグ(カテゴリや属性など)のユーザの好みを尋ね、複数のラウンドでユーザフィードバックを処理することで、ユーザの関心を喚起するが、バンドルレコメンデーションの文脈では、ユーザフィードバックを取得して出力スペースを狭めるための、新たな推奨設定である。
本稿では,Bundle MCRという新しい推薦タスクを提案する。
本稿ではまず,バンドルコンテキストにおけるユーザモデリング,コンサルテーション,フィードバックハンドリングなど,複数のエージェントによるBundle MCRをMarkov Decision Processs (MDPs) として定式化するフレームワークを提案する。
本稿では,(1)項目を推薦するbunt bert (bunt) と呼ばれるモデルアーキテクチャを提案し,(2)質問をポストし,(3)バンドルを意識した会話状態に基づいて会話を管理する。
さらに,バントを効果的に訓練するために,二段階訓練戦略を提案する。
オフラインの事前トレーニングステージでは、buntは複数のclozeタスクを使用して、会話中のバンドルインタラクションを模倣するトレーニングを行う。
その後、オンラインの微調整ステージでは、ユーザーインタラクションによってバントエージェントが強化される。
複数のオフラインデータセットと人間による評価実験は、設定をバンドルするためにMCRフレームワークを拡張することの価値と、バント設計の有効性を示している。
関連論文リスト
- Talk the Walk: Synthetic Data Generation for Conversational Music
Recommendation [62.019437228000776]
本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。
人間の収集したデータセットで100万以上の多様な会話を生成します。
論文 参考訳（メタデータ） (2023-01-27T01:54:16Z) - 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) - 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) - 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) - Towards Topic-Guided Conversational Recommender System [80.3725246715938]
textbfTG-ReDial(textbfTopic-textbfGuided textbfDialogによるtextbfRecommendation)という新しいCRSデータセットをコントリビュートする。
本稿では,話題誘導型会話レコメンデーションの課題を提示し,この課題に対する効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2020-10-08T17:04:30Z) - 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) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-05-07T13:48:26Z)
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。