論文の概要: EGCR: Explanation Generation for Conversational Recommendation
- arxiv url: http://arxiv.org/abs/2208.08035v2
- Date: Thu, 18 Aug 2022 17:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 11:21:41.632048
- Title: EGCR: Explanation Generation for Conversational Recommendation
- Title(参考訳): EGCR:会話レコメンデーションのための説明生成
- Authors: Bingbing Wen, Xiaoning Bu, Chirag Shah
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.496434082286226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Growing attention has been paid in Conversational Recommendation System
(CRS), which works as a conversation-based and recommendation task-oriented
tool to provide items of interest and explore user preference. However,
existing work in CRS fails to explicitly show the reasoning logic to users and
the whole CRS still remains a black box. Therefore we propose a novel
end-to-end framework named Explanation Generation for Conversational
Recommendation (EGCR) based on generating explanations for conversational
agents to explain why they make the action. EGCR incorporates user reviews to
enhance the item representation and increase the informativeness of the whole
conversation. To the best of our knowledge, this is the first framework for
explainable conversational recommendation on real-world datasets. Moreover, we
evaluate EGCR on one benchmark conversational recommendation datasets and
achieve better performance on both recommendation accuracy and conversation
quality than other state-of-the art models. Finally, extensive experiments
demonstrate that generated explanations are not only having high quality and
explainability, but also making CRS more trustworthy. We will make our code
available to contribute to the CRS community
- Abstract(参考訳): Conversational Recommendation System (CRS) では、関心のあるアイテムを提供し、ユーザの好みを探求する会話ベースでレコメンデーション指向のタスク指向ツールとして機能する。
しかし、CRSの既存の作業は、ユーザへの推論ロジックを明確に示すことができず、CRS全体がまだブラックボックスのままである。
そこで本研究では,会話エージェントが行動を起こす理由を説明するための説明を生成することに基づいて,会話推薦のための説明生成(egcr)という新しいエンドツーエンドフレームワークを提案する。
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。
私たちの知る限りでは、これは現実世界のデータセットで説明可能な会話推奨のための最初のフレームワークです。
さらに,あるベンチマークの会話推薦データセット上でEGCRを評価し,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面において優れた性能を実現する。
最後に、広範囲な実験により、生成された説明は高品質で説明可能なだけでなく、CRSをより信頼できるものにしている。
私たちはCRSコミュニティにコントリビュートするためにコードを公開します。
関連論文リスト
- 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) - KECRS: Towards Knowledge-Enriched Conversational Recommendation System [50.0292306485452]
chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。
外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。
KECRS(Knowledge-Enriched Conversational Recommendation System)の提案
大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
論文 参考訳(メタデータ) (2021-05-18T03:52:06Z) - Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。
KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。
最終的には、正確な推奨は会話の順番を少なくして生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:58:10Z) - CR-Walker: Tree-Structured Graph Reasoning and Dialog Acts for
Conversational Recommendation [62.13413129518165]
CR-Walkerは知識グラフ上で木構造推論を行うモデルである。
インフォメーションダイアログが生成され、言語生成をガイドする。
自動的および人的評価は、CR-Walkerがより正確なレコメンデーションに到達できることを示している。
論文 参考訳(メタデータ) (2020-10-20T14:53:22Z) - 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) - Improving Conversational Recommender Systems via Knowledge Graph based
Semantic Fusion [77.21442487537139]
対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。
まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。
第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
論文 参考訳(メタデータ) (2020-07-08T11:14:23Z)
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。