論文の概要: Understanding User Intent Modeling for Conversational Recommender
Systems: A Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2308.08496v1
- Date: Sat, 5 Aug 2023 22:50:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-20 16:21:32.782335
- Title: Understanding User Intent Modeling for Conversational Recommender
Systems: A Systematic Literature Review
- Title（参考訳）: 対話型レコメンダシステムにおけるユーザインテントモデリングの理解:システム文献レビュー
- Authors: Siamak Farshidi, Kiyan Rezaee, Sara Mazaheri, Amir Hossein Rahimi, Ali
Dadashzadeh, Morteza Ziabakhsh, Sadegh Eskandari, and Slinger Jansen
- Abstract要約: 我々は,会話レコメンデーションシステムの設計によく使用されるモデルについて,系統的な文献レビューを行った。
我々は,研究者がシステムに最も適したモデルを選択するのを支援するための意思決定モデルを開発した。
本研究は,より効果的でパーソナライズされた対話型レコメンデーションシステムの開発を支援する,ユーザ意図モデリングの実践的洞察と包括的理解に寄与する。
- 参考スコア（独自算出の注目度）: 1.3630870408844922
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Context: User intent modeling is a crucial process in Natural Language
Processing that aims to identify the underlying purpose behind a user's
request, enabling personalized responses. With a vast array of approaches
introduced in the literature (over 13,000 papers in the last decade),
understanding the related concepts and commonly used models in AI-based systems
is essential. Method: We conducted a systematic literature review to gather
data on models typically employed in designing conversational recommender
systems. From the collected data, we developed a decision model to assist
researchers in selecting the most suitable models for their systems.
Additionally, we performed two case studies to evaluate the effectiveness of
our proposed decision model. Results: Our study analyzed 59 distinct models and
identified 74 commonly used features. We provided insights into potential model
combinations, trends in model selection, quality concerns, evaluation measures,
and frequently used datasets for training and evaluating these models.
Contribution: Our study contributes practical insights and a comprehensive
understanding of user intent modeling, empowering the development of more
effective and personalized conversational recommender systems. With the
Conversational Recommender System, researchers can perform a more systematic
and efficient assessment of fitting intent modeling frameworks.
- Abstract（参考訳）: コンテキスト: ユーザ意図モデリングは自然言語処理において重要なプロセスであり、ユーザの要求の背後にある基本的な目的を特定し、パーソナライズされた応答を可能にすることを目的としています。
文献(過去10年間に13,000以上の論文)で導入された多数のアプローチでは、関連する概念とAIベースのシステムで一般的に使用されるモデルを理解することが不可欠である。
方法: 対話型レコメンデーションシステムの設計によく使用されるモデルについて, 系統的な文献レビューを行った。
収集したデータから,研究者がシステムに最適なモデルを選択するのを支援する決定モデルを開発した。
さらに,提案モデルの有効性を評価するために2つのケーススタディを行った。
結果: 59種類の異なるモデルを分析し, 74種類の特徴を同定した。
我々は、潜在的なモデルの組み合わせ、モデル選択のトレンド、品質問題、評価尺度、およびこれらのモデルのトレーニングと評価に頻繁に使用されるデータセットに関する洞察を提供した。
コントリビューション:本研究は,ユーザ意図モデリングの実践的洞察と包括的理解に寄与し,より効果的でパーソナライズされた対話レコメンデーションシステムの開発を促進する。
Conversational Recommender Systemにより、研究者は適合意図モデリングフレームワークのより体系的で効率的な評価を行うことができる。
関連論文リスト
- Aligning Vision Models with Human Aesthetics in Retrieval: Benchmarks and Algorithms [91.19304518033144]
検索システムにおける視覚モデルと人間の審美基準の整合を図る。
本研究では、視覚モデルと人間の美学をよりよく整合させるために、視覚モデルを微調整する嗜好に基づく強化学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T17:59:20Z) - A Survey of Latent Factor Models in Recommender Systems [0.0]
本調査は,リコメンデータシステムにおける潜在因子モデルについて系統的にレビューする。
文献は、学習データ、モデルアーキテクチャ、学習戦略、最適化技術をカバーする構造化されたフレームワークを通して検証される。
論文 参考訳（メタデータ） (2024-05-28T11:28:59Z) - Towards Personalized Evaluation of Large Language Models with An
Anonymous Crowd-Sourcing Platform [64.76104135495576]
大規模言語モデルのための匿名クラウドソーシング評価プラットフォームであるBingJianを提案する。
このプラットフォームを通じて、ユーザーは質問を提出し、パーソナライズされ、潜在的に幅広い機能でモデルをテストできる。
論文 参考訳（メタデータ） (2024-03-13T07:31:20Z) - A User-Centered, Interactive, Human-in-the-Loop Topic Modelling System [32.065158970382036]
ヒューマン・イン・ザ・ループ(Human-in-the-loop)トピック・モデリングは、ユーザの知識をモデリングプロセスに取り入れ、モデルを反復的に洗練することを可能にする。
最近の研究では、ユーザフィードバックの価値が実証されているが、検討すべき問題がまだ残っている。
そこで我々は,ユーザフレンドリなインタフェースを備えた対話型話題モデリングシステムを開発した。
論文 参考訳（メタデータ） (2023-04-04T13:05:10Z) - Deep Learning for Choice Modeling [5.173001988341294]
我々は,機能フリーと機能ベースという2つの選択モデルに基づいて,ディープラーニングに基づく選択モデルを構築した。
本モデルでは,候補選択に対する本質的効用と,候補選択が選択確率に与える影響の両方を捉える。
論文 参考訳（メタデータ） (2022-08-19T13:10:17Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳（メタデータ） (2022-05-05T13:40:08Z) - Modeling User Behaviour in Research Paper Recommendation System [8.980876474818153]
ディープシーケンシャルなトピック分析に基づくユーザ意図モデルを提案する。
モデルは、興味のあるトピックの観点から、ユーザの意図を予測する。
提案手法では,研究論文推薦システムの設計に適したユーザアクティビティをモデル化する新たなロードマップを提案する。
論文 参考訳（メタデータ） (2021-07-16T11:31:03Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - Enhancing Dialogue Generation via Multi-Level Contrastive Learning [57.005432249952406]
質問に対する応答のきめ細かい品質をモデル化するマルチレベルコントラスト学習パラダイムを提案する。
Rank-aware (RC) ネットワークはマルチレベルコントラスト最適化の目的を構築するために設計されている。
本研究では,知識推論(KI)コンポーネントを構築し,学習中の参照からキーワードの知識を抽出し,そのような情報を活用して情報的単語の生成を促す。
論文 参考訳（メタデータ） (2020-09-19T02:41:04Z) - Micro-entries: Encouraging Deeper Evaluation of Mental Models Over Time
for Interactive Data Systems [7.578368459974474]
本稿では,ユーザによるシステム論理のメンタルモデルの評価について論じる。
メンタルモデルは、キャプチャと分析が難しい。
ユーザーが何を知り、どのように知っているかを説明することで、研究者は構造化された時間順の洞察を集めることができる。
論文 参考訳（メタデータ） (2020-09-02T18:27:04Z) - Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。
本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
論文 参考訳（メタデータ） (2020-08-21T05:30:48Z)
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。