論文の概要: Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System

• arxiv url: http://arxiv.org/abs/2303.14524v2
• Date: Tue, 4 Apr 2023 03:51:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 17:32:07.605219
• Title: Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System
• Title（参考訳）: Chat-REC: インタラクティブで説明可能なLLM-Augmented Recommenderシステムを目指して
• Authors: Yunfan Gao, Tao Sheng, Youlin Xiang, Yun Xiong, Haofen Wang, Jiawei Zhang
• Abstract要約: Chat-Recは会話レコメンデーションシステムを構築するための新しいパラダイムである。 Chat-Recは、ユーザの好みを学習し、ユーザと製品間の接続を確立するのに有効である。 実験では、Chat-Recはトップkレコメンデーションの結果を効果的に改善し、ゼロショット評価予測タスクでより良いパフォーマンスを発揮する。
• 参考スコア（独自算出の注目度）: 11.404192885921498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have demonstrated their significant potential to be applied for addressing various application tasks. However, traditional recommender systems continue to face great challenges such as poor interactivity and explainability, which actually also hinder their broad deployment in real-world systems. To address these limitations, this paper proposes a novel paradigm called Chat-Rec (ChatGPT Augmented Recommender System) that innovatively augments LLMs for building conversational recommender systems by converting user profiles and historical interactions into prompts. Chat-Rec is demonstrated to be effective in learning user preferences and establishing connections between users and products through in-context learning, which also makes the recommendation process more interactive and explainable. What's more, within the Chat-Rec framework, user's preferences can transfer to different products for cross-domain recommendations, and prompt-based injection of information into LLMs can also handle the cold-start scenarios with new items. In our experiments, Chat-Rec effectively improve the results of top-k recommendations and performs better in zero-shot rating prediction task. Chat-Rec offers a novel approach to improving recommender systems and presents new practical scenarios for the implementation of AIGC (AI generated content) in recommender system studies.
• Abstract（参考訳）: 大規模言語モデル(llm)は、様々なアプリケーションタスクに適用される重要な可能性を実証している。 しかし、従来のレコメンデータシステムは、対話性や説明可能性の低下といった大きな課題に直面し続けており、現実のシステムへの広範な展開を妨げている。 これらの制約に対処するために,ユーザプロファイルと過去のインタラクションをプロンプトに変換することで,LLMを革新的に拡張するChat-Rec(ChatGPT Augmented Recommender System)という新しいパラダイムを提案する。 Chat-Recは、ユーザの好みを学習し、コンテキスト内学習を通じてユーザと製品間のつながりを確立するのに効果的であることが示されている。 さらに、Chat-Recフレームワーク内では、ユーザの好みはドメイン横断のレコメンデーションのために異なる製品に転送でき、LSMへの情報インジェクションのプロンプトベースのインジェクションは、新しいアイテムでコールドスタートシナリオを処理することもできる。 実験では、chat-recはトップk推薦の結果を効果的に改善し、ゼロショット評価の予測タスクをより良くする。 Chat-Recはレコメンダシステムを改善するための新しいアプローチを提供し、レコメンダシステム研究にAIGC(AI生成コンテンツ)を実装するための新しい実践シナリオを提供する。

関連論文リスト

• Snippet-based Conversational Recommender System [7.943863017830094]
  SnipRecは顧客レビューのようなユーザ生成コンテンツ(UGC)から多様な表現や好みを抽出し、対話とレコメンデーションを強化する新しいCRSである。 このアプローチは、ドメイン固有のトレーニングの必要性を排除し、新しいドメインに適応し、ユーザの好みに関する事前の知識なしで有効にします。
  論文  参考訳（メタデータ） (2024-11-09T04:23:58Z)
• Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
  大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。 LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Large Language Model Driven Recommendation [34.45328907249946]
  言語主導のレコメンデーションの出現は、リコメンデーションのための自然言語(NL)インタラクションの使用を解放した。 この章では、LLMの一般NL能力が、高度にパーソナライズされたRSを構築する新しい機会を導く方法について論じる。
  論文  参考訳（メタデータ） (2024-08-20T15:36:24Z)
• Emerging Synergies Between Large Language Models and Machine Learning in Ecommerce Recommendations [19.405233437533713]
  大規模言語モデル(LLM)は、言語理解と生成の基本的なタスクにおいて優れた機能を持つ。 機能エンコーダとしてLLMを用いたユーザとアイテムの表現を学習するための代表的なアプローチを提案する。 次に、協調フィルタリング強化レコメンデーションシステムのためのLLM技術の最新技術について概説した。
  論文  参考訳（メタデータ） (2024-03-05T08:31:00Z)
• A Multi-Agent Conversational Recommender System [47.49330334611104]
  マルチエージェント対話型レコメンダシステム(MACRS)を提案する。 まず,4つのLCMエージェントをベースとした対話フローを制御可能なマルチエージェント行動計画フレームワークを設計する。 第2に,ユーザのフィードバックを生かしたユーザフィードバック対応のリフレクション機構を提案し,従来からある誤りを推論し,対話行動計画の調整を行う。
  論文  参考訳（メタデータ） (2024-02-02T04:20:13Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models [115.7508325840751]
  近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。 本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。 LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:12:43Z)
• 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)
• 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)
• A Survey on Conversational Recommender Systems [11.319431345375751]
  会話レコメンデータシステム(CRS)は異なるアプローチを採用し、よりリッチなインタラクションをサポートする。 CRSに対する関心は、ここ数年で大幅に増加した。 この開発は主に自然言語処理の分野における著しい進歩によるものである。
  論文  参考訳（メタデータ） (2020-04-01T18:00:47Z)

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。