論文の概要: Conversational Recommendation as Retrieval: A Simple, Strong Baseline

• arxiv url: http://arxiv.org/abs/2305.13725v1
• Date: Tue, 23 May 2023 06:21:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 18:35:11.328399
• Title: Conversational Recommendation as Retrieval: A Simple, Strong Baseline
• Title（参考訳）: Retrievalとしての会話レコメンデーション:シンプルで強力なベースライン
• Authors: Raghav Gupta, Renat Aksitov, Samrat Phatale, Simral Chaudhary, Harrison Lee, Abhinav Rastogi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.737923227003888
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conversational recommendation systems (CRS) aim to recommend suitable items to users through natural language conversation. However, most CRS approaches do not effectively utilize the signal provided by these conversations. They rely heavily on explicit external knowledge e.g., knowledge graphs to augment the models' understanding of the items and attributes, which is quite hard to scale. To alleviate this, we propose an alternative information retrieval (IR)-styled approach to the CRS item recommendation task, where we represent conversations as queries and items as documents to be retrieved. We expand the document representation used for retrieval with conversations from the training set. With a simple BM25-based retriever, we show that our task formulation compares favorably with much more complex baselines using complex external knowledge on a popular CRS benchmark. We demonstrate further improvements using user-centric modeling and data augmentation to counter the cold start problem for CRSs.
• Abstract（参考訳）: 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。 しかし、ほとんどのCRSアプローチはこれらの会話が提供する信号を有効に利用していない。 それらは、例えば、アイテムや属性に対するモデルの理解を高めるために、知識グラフのような明示的な外部知識に大きく依存する。 そこで我々は,CRSアイテムレコメンデーションタスクに対する代替情報検索(IR)スタイルのアプローチを提案し,会話をクエリとして,項目を文書として表現する。 トレーニングセットからの会話で検索に使用する文書表現を拡張した。 単純なBM25ベースの検索器を用いて、我々のタスク定式化は、一般的なCRSベンチマークの複雑な外部知識を用いて、より複雑なベースラインと良好に比較できることを示す。 我々は,CRSのコールドスタート問題に対処するため,ユーザ中心モデリングとデータ拡張によるさらなる改善を示す。

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)
• A Conversation is Worth A Thousand Recommendations: A Survey of Holistic Conversational Recommender Systems [54.78815548652424]
  会話レコメンデータシステムは対話的なプロセスを通じてレコメンデーションを生成する。 すべてのCRSアプローチが、インタラクションデータのソースとして人間の会話を使用するわけではない。 全体論的CRSは、現実世界のシナリオから収集された会話データを使って訓練される。
  論文  参考訳（メタデータ） (2023-09-14T12:55:23Z)
• Alleviating the Long-Tail Problem in Conversational Recommender Systems [72.8984755843184]
  会話レコメンデータシステム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSデータセットは、長い尾の問題に悩まされているため、会話で言及される項目はめったにない(あるいは一度もない)。 本稿では、バランスの取れたCRSデータセットのシミュレーションと利用に焦点を当てた新しいフレームワークである textbfLOT-CRS を提案する。
  論文  参考訳（メタデータ） (2023-07-21T15:28:47Z)
• Improving Items and Contexts Understanding with Descriptive Graph for Conversational Recommendation [4.640835690336652]
  会話レコメンデーションシステム(CRS)における最先端の手法は、外部知識を活用して、項目の表現と文脈の表現を強化する。 我々は,同じ意味空間における項目とその関連する文脈語を共同でモデル化する新しいCRSフレームワークKLEVERを提案する。 CRSデータセットのベンチマーク実験では、KLEVERは特にユーザの応答からの情報が不足している場合に、優れたパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2023-04-11T21:21:46Z)
• 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)
• EGCR: Explanation Generation for Conversational Recommendation [7.496434082286226]
  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。
  論文  参考訳（メタデータ） (2022-08-17T02:30:41Z)
• INSPIRED2: An Improved Dataset for Sociable Conversational Recommendation [5.837881923712394]
  自然言語のユーザと対話する会話レコメンデータシステム(CRS)は、ペア化された人間の助けを借りて収集されたレコメンデーションダイアログを利用する。 CRSは、ダイアログに現れ、通常ドメインの知識を活用する、明示的に注釈付けされたアイテムやエンティティに依存します。 本研究では,会話レコメンデーションのためのレコメンデーションダイアログからなるデータセットであるINSPIREDについて検討する。
  論文  参考訳（メタデータ） (2022-08-08T12:51:30Z)
• 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)
• 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。