論文の概要: VideolandGPT: A User Study on a Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2309.03645v1
• Date: Thu, 7 Sep 2023 11:24:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 13:17:16.043089
• Title: VideolandGPT: A User Study on a Conversational Recommender System
• Title（参考訳）: videolandgpt: 会話型推薦システムに関するユーザスタディ
• Authors: Mateo Gutierrez Granada, Dina Zilbershtein, Daan Odijk, Francesco Barile
• Abstract要約: 本稿では,ビデオ・オン・デマンド(VOD)プラットフォームのレコメンデーションシステムであるVideolandGPTを紹介する。 評価指標,ユーザエクスペリエンス,リコメンデーションの公平性を評価し,個人化バージョンと非個人化バージョンを比較した。
• 参考スコア（独自算出の注目度）: 0.14495144578817493
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper investigates how large language models (LLMs) can enhance recommender systems, with a specific focus on Conversational Recommender Systems that leverage user preferences and personalised candidate selections from existing ranking models. We introduce VideolandGPT, a recommender system for a Video-on-Demand (VOD) platform, Videoland, which uses ChatGPT to select from a predetermined set of contents, considering the additional context indicated by users' interactions with a chat interface. We evaluate ranking metrics, user experience, and fairness of recommendations, comparing a personalised and a non-personalised version of the system, in a between-subject user study. Our results indicate that the personalised version outperforms the non-personalised in terms of accuracy and general user satisfaction, while both versions increase the visibility of items which are not in the top of the recommendation lists. However, both versions present inconsistent behavior in terms of fairness, as the system may generate recommendations which are not available on Videoland.
• Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)がレコメンデータシステムを強化し,ユーザの好みと既存ランキングモデルからの個人化候補選択を利用した会話レコメンデーションシステムに特に焦点をあてる。 本稿では,ビデオオン・デマンド(VOD)プラットフォーム用レコメンデーションシステムであるVideolandGPTを紹介し,チャットインタフェースとユーザのインタラクションによって示される追加コンテキストを考慮して,ChatGPTを用いて所定のコンテンツセットを選択する。 本研究では,個人化バージョンと非個人化バージョンを比較し,評価指標,ユーザエクスペリエンス,レコメンデーションの公平性を評価した。 その結果、パーソナライズされたバージョンは、正確さと一般ユーザ満足度で非パーソナライズされたバージョンよりも優れており、どちらのバージョンもレコメンデーションリストの上位にない項目の可視性を高めていることがわかった。 しかし、両バージョンは、ビデオランドでは利用できないレコメンデーションを生成するため、公平性という点で矛盾する振る舞いを示す。

関連論文リスト

• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Preference Discerning with LLM-Enhanced Generative Retrieval [28.309905847867178]
  我々は、選好識別という新しいパラダイムを提案する。 嗜好判断において、我々は、そのコンテキスト内でのユーザの嗜好に対して、生成的シーケンシャルなレコメンデーションシステムを明示的に条件付けする。 ユーザレビューと項目固有データに基づいて,Large Language Models (LLMs) を用いてユーザ嗜好を生成する。
  論文  参考訳（メタデータ） (2024-12-11T18:26:55Z)
• Post-Userist Recommender Systems : A Manifesto [1.7157586976839874]
  我々は,ユーザとシステムの関係を考慮に入れたレコメンデーションシステムに対するアプローチとして,ユーザリストレコメンデーションを定義した。 ポストユーザーストレコメンデーションは、利害関係者が埋め込まれ、レコメンデーション機能が生成メディアと区別される、より大きな関係分野を仮定する。
  論文  参考訳（メタデータ） (2024-10-09T03:16:37Z)
• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• A Review on Pushing the Limits of Baseline Recommendation Systems with the integration of Opinion Mining & Information Retrieval Techniques [0.0]
  Recommendation Systemsでは、利用者の期待にタイムリーかつ関連性がありながら、コミュニティ内のトレンドアイテムを識別することができる。 より優れた品質のレコメンデーションを達成するために、ディープラーニングの手法が提案されている。 研究者たちは、最も効果的なレコメンデーションを提供するために、標準レコメンデーションシステムの能力を拡大しようと試みている。
  論文  参考訳（メタデータ） (2022-05-03T22:13:33Z)
• Self-Supervised Bot Play for Conversational Recommendation with Justifications [3.015622397986615]
  会話レコメンデーションシステムのトレーニングを行うための新しい2部フレームワークを開発した。 まず,提案する項目を共同で提案し,その推論を主観的な側面で正当化するために,推薦システムを訓練する。 次に、このモデルを微調整して、自己教師型ボットプレイによる反復的なユーザフィードバックを組み込む。
  論文  参考訳（メタデータ） (2021-12-09T20:07:41Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。