論文の概要: Towards Explainable Conversational Recommender Systems

• arxiv url: http://arxiv.org/abs/2305.18363v1
• Date: Sat, 27 May 2023 07:36:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 22:11:47.789109
• Title: Towards Explainable Conversational Recommender Systems
• Title（参考訳）: 説明可能な会話レコメンダシステムを目指して
• Authors: Shuyu Guo, Shuo Zhang, Weiwei Sun, Pengjie Ren, Zhumin Chen, Zhaochun Ren
• Abstract要約: 推薦システムにおける説明は、ユーザが推薦の合理性を理解するのに役立つ。 会話環境においては、複数のコンテキスト化された説明を生成する必要がある。 本稿では,従来のレコメンデーションシステムの概念と,レコメンデーションシステムの特徴に基づく10つの評価視点を提案する。
• 参考スコア（独自算出の注目度）: 44.26020239452129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explanations in conventional recommender systems have demonstrated benefits in helping the user understand the rationality of the recommendations and improving the system's efficiency, transparency, and trustworthiness. In the conversational environment, multiple contextualized explanations need to be generated, which poses further challenges for explanations. To better measure explainability in conversational recommender systems (CRS), we propose ten evaluation perspectives based on concepts from conventional recommender systems together with the characteristics of CRS. We assess five existing CRS benchmark datasets using these metrics and observe the necessity of improving the explanation quality of CRS. To achieve this, we conduct manual and automatic approaches to extend these dialogues and construct a new CRS dataset, namely Explainable Recommendation Dialogues (E-ReDial). It includes 756 dialogues with over 2,000 high-quality rewritten explanations. We compare two baseline approaches to perform explanation generation based on E-ReDial. Experimental results suggest that models trained on E-ReDial can significantly improve explainability while introducing knowledge into the models can further improve the performance. GPT-3 in the in-context learning setting can generate more realistic and diverse movie descriptions. In contrast, T5 training on E-ReDial can better generate clear reasons for recommendations based on user preferences. E-ReDial is available at https://github.com/Superbooming/E-ReDial.
• Abstract（参考訳）: 従来のレコメンデーションシステムにおける説明は、ユーザがレコメンデーションの合理性を理解し、システムの効率性、透明性、信頼性を改善するのに役立つ。 会話環境においては、複数のコンテキスト化された説明を生成する必要がある。 会話レコメンダシステム(crs)における説明可能性を評価するために,従来のレコメンダシステムの概念とcrsの特性に基づく10の評価視点を提案する。 これらの指標を用いて既存の5つのCRSベンチマークデータセットを評価し、CRSの説明品質を改善する必要性を観察する。 これを実現するために、これらの対話を拡張し、新しいCRSデータセット、すなわち Explainable Recommendation Dialogues (E-ReDial) を構築するための手動および自動的なアプローチを実行する。 756の対話があり、2000以上の高品質な書き直し説明がある。 E-ReDialに基づく2つのベースライン手法を比較した。 実験結果から,E-ReDialでトレーニングしたモデルでは,モデルに知識を導入しながら説明性が大幅に向上し,性能が向上することが示唆された。 文脈内学習設定におけるGPT-3は、より現実的で多様な映画記述を生成することができる。 対照的に、e-redialでのt5トレーニングは、ユーザーの好みに基づいて推奨理由を明確に生成する。 E-ReDialはhttps://github.com/Superbooming/E-ReDialで入手できる。

関連論文リスト

• Navigating User Experience of ChatGPT-based Conversational Recommender Systems: The Effects of Prompt Guidance and Recommendation Domain [15.179413273734761]
  本研究では,プロンプトガイダンス(PG)とレコメンデーションドメイン(RD)がシステム全体のユーザエクスペリエンスに与える影響について検討する。 その結果,PGはシステムの説明可能性,適応性,使いやすさ,透明性を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-05-22T11:49:40Z)
• Concept -- An Evaluation Protocol on Conversational Recommender Systems with System-centric and User-centric Factors [68.68418801681965]
  本稿では,システムとユーザ中心の要素を統合した新しい包括的評価プロトコルであるConceptを提案する。 まず、現在のCRSモデルの長所と短所を概観する。 第二に、「全能」なChatGPTにおける低ユーザビリティの問題を特定し、CRSを評価するための包括的なリファレンスガイドを提供する。
  論文  参考訳（メタデータ） (2024-04-04T08:56:48Z)
• 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)
• Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
  本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。 個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。 3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-05-09T10:38:36Z)
• 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)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• 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)

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。