論文の概要: Improving Conversational Recommendation Systems via Bias Analysis and
Language-Model-Enhanced Data Augmentation
- arxiv url: http://arxiv.org/abs/2310.16738v1
- Date: Wed, 25 Oct 2023 16:11:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 13:39:25.663257
- Title: Improving Conversational Recommendation Systems via Bias Analysis and
Language-Model-Enhanced Data Augmentation
- Title（参考訳）: バイアス分析と言語モデル強調データ拡張による会話レコメンデーションシステムの改善
- Authors: Xi Wang, Hossein A. Rahmani, Jiqun Liu, Emine Yilmaz
- Abstract要約: 会話レコメンデーションシステム(CRS)は,言語モデリング技術の進歩とともに注目されている研究分野である。
本研究では、CRSモデル開発のためのベンチマークデータセットを探索し、マルチターン相互作用に固有のフィードバックループから生じる潜在的なバイアスに対処する。
バイアスを緩和しながらモデル性能を向上させるための2つの新しい戦略「Once-Aug」と「PopNudge」を提案する。
- 参考スコア（独自算出の注目度）: 28.349599213528627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conversational Recommendation System (CRS) is a rapidly growing research area
that has gained significant attention alongside advancements in language
modelling techniques. However, the current state of conversational
recommendation faces numerous challenges due to its relative novelty and
limited existing contributions. In this study, we delve into benchmark datasets
for developing CRS models and address potential biases arising from the
feedback loop inherent in multi-turn interactions, including selection bias and
multiple popularity bias variants. Drawing inspiration from the success of
generative data via using language models and data augmentation techniques, we
present two novel strategies, 'Once-Aug' and 'PopNudge', to enhance model
performance while mitigating biases. Through extensive experiments on ReDial
and TG-ReDial benchmark datasets, we show a consistent improvement of CRS
techniques with our data augmentation approaches and offer additional insights
on addressing multiple newly formulated biases.
- Abstract（参考訳）: 会話レコメンデーションシステム(CRS)は,言語モデリング技術の進歩とともに注目されている研究分野である。
しかし、会話レコメンデーションの現状は、その相対的な新奇さと既存のコントリビューションの制限により、多くの課題に直面している。
本研究では,crsモデルを開発するためのベンチマークデータセットを調べ,選択バイアスや複数の人気バイアス変種を含む多ターンインタラクションに固有のフィードバックループから生じる潜在的なバイアスに対処する。
言語モデルとデータ拡張技術を用いて生成データの成功からインスピレーションを得た上で,バイアスを緩和しながらモデル性能を向上させる2つの新しい戦略「Once-Aug」と「PopNudge」を提案する。
ReDialおよびTG-ReDialベンチマークデータセットに関する広範な実験を通じて、データ拡張アプローチによるCRS技術の一貫した改善を示し、新しい複数のバイアスに対処するためのさらなる洞察を提供する。
関連論文リスト
- MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - i-SRT: Aligning Large Multimodal Models for Videos by Iterative Self-Retrospective Judgment [36.69910114305134]
反応生成と選好モデリングの両方を強化するために,自己ふりかえりを用いた新しい手法を提案する。
多様なビデオ質問応答ベンチマークによる経験的評価は,i-SRTが先行技術よりも優れていたことを示す。
論文 参考訳（メタデータ） (2024-06-17T07:33:30Z) - A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。
対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。
我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
論文 参考訳（メタデータ） (2024-03-31T06:57:57Z) - Pre-trained Recommender Systems: A Causal Debiasing Perspective [19.712997823535066]
本研究では,異なるドメインから抽出した汎用ユーザ・イテムインタラクションデータをトレーニングすることで,ユニバーサルインタラクションパターンをキャプチャする汎用レコメンデータを開発する。
実験により,提案モデルにより,ゼロショットと少数ショットの学習環境での推薦性能が大幅に向上する可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-30T03:37:32Z) - Improving Conversational Recommender System via Contextual and
Time-Aware Modeling with Less Domain-Specific Knowledge [25.503407835218773]
文脈から内部知識を完全に発見・抽出することを提案する。
エンティティレベルとコンテキストレベルの両方の表現をキャプチャして、リコメンデーションのためのユーザの好みを共同でモデル化する。
我々のモデルは、外部知識の少ないほとんどの評価指標においてより良い性能を達成し、他の領域によく一般化する。
論文 参考訳（メタデータ） (2022-09-23T03:30:22Z) - CoDA: Contrast-enhanced and Diversity-promoting Data Augmentation for
Natural Language Understanding [67.61357003974153]
我々はCoDAと呼ばれる新しいデータ拡張フレームワークを提案する。
CoDAは、複数の変換を有機的に統合することで、多種多様な情報付加例を合成する。
すべてのデータサンプルのグローバルな関係を捉えるために、対照的な正則化の目的を導入する。
論文 参考訳（メタデータ） (2020-10-16T23:57:03Z) - Leveraging Historical Interaction Data for Improving Conversational
Recommender System [105.90963882850265]
アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。
実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-19T03:43:50Z) - Towards Multimodal Response Generation with Exemplar Augmentation and
Curriculum Optimization [73.45742420178196]
本稿では,高度化とカリキュラム最適化を併用した,新しいマルチモーダル応答生成フレームワークを提案する。
我々のモデルは多様性と妥当性の点で強いベースラインに比べて大幅に改善されている。
論文 参考訳（メタデータ） (2020-04-26T16:29:06Z) - Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。
G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。
分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
論文 参考訳（メタデータ） (2020-04-24T06:12:10Z)
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。