論文の概要: Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems

• arxiv url: http://arxiv.org/abs/2310.17749v1
• Date: Thu, 26 Oct 2023 19:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 15:47:39.185464
• Title: Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems
• Title（参考訳）: salespeople vs salesbot: 会話型推薦システムにおける教育的価値の役割を探る
• Authors: Lidiya Murakhovs'ka, Philippe Laban, Tian Xie, Caiming Xiong, Chien-Sheng Wu
• Abstract要約: 既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。 このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。 私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
• 参考スコア（独自算出の注目度）: 78.84530426424838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Making big purchases requires consumers to research or consult a salesperson to gain domain expertise. However, existing conversational recommender systems (CRS) often overlook users' lack of background knowledge, focusing solely on gathering preferences. In this work, we define a new problem space for conversational agents that aim to provide both product recommendations and educational value through mixed-type mixed-initiative dialog. We introduce SalesOps, a framework that facilitates the simulation and evaluation of such systems by leveraging recent advancements in large language models (LLMs). We build SalesBot and ShopperBot, a pair of LLM-powered agents that can simulate either side of the framework. A comprehensive human study compares SalesBot against professional salespeople, revealing that although SalesBot approaches professional performance in terms of fluency and informativeness, it lags behind in recommendation quality. We emphasize the distinct limitations both face in providing truthful information, highlighting the challenges of ensuring faithfulness in the CRS context. We release our code and make all data available.
• Abstract（参考訳）: 大きな購入を行うためには、消費者はドメインの専門知識を得るために販売担当者を調査または相談する必要がある。 しかし、既存の会話レコメンデータシステム(CRS)は、ユーザのバックグラウンド知識の欠如を見落とし、好みの収集に集中する。 本研究では,混合型混合開始ダイアログによる製品推薦と教育的価値の提供を目的とした対話エージェントのための新しい問題空間を定義する。 本稿では,大規模言語モデル(llm)の最近の進歩を活かし,システムシミュレーションと評価を容易にするフレームワークである salesops を紹介する。 私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。 包括的な人間による研究は、SalesBotとプロのセールスパーソンを比較し、SalesBotが専門的なパフォーマンスにアプローチしているにもかかわらず、推奨品質は遅れていることを明らかにした。 我々は,CRSの文脈における忠実性の確保という課題を強調し,真理情報提供における両面の異なる限界を強調した。 私たちはコードをリリースし、すべてのデータを利用可能にします。

関連論文リスト

• Federated Learning for Data Market: Shapley-UCB for Seller Selection and Incentives [0.3069335774032178]
  本稿では,フェデレート学習アーキテクチャに基づくトランザクションフレームワークを提案し,販売者選択アルゴリズムとインセンティブ補償機構を設計する。 具体的には、グラデーション類似性とシェープリーアルゴリズムを用いて販売者の貢献度を正確に評価する。 トレーニング後、販売者のトレーニングへの参加に応じて公正な補償が行われる。
  論文  参考訳（メタデータ） (2024-10-10T03:50:20Z)
• Injecting Salesperson's Dialogue Strategies in Large Language Models with Chain-of-Thought Reasoning [23.919423630938226]
  SalesBotは、Chit-chatからタスク指向のシナリオへ移行し、セールスエージェントをトレーニングする対話をシミュレートする。 最初のデータはスムーズなトランジションとコヒーレントなロングターンダイアログを欠いていたため、セールス・カストマー相互作用の自然性が低かった。 営業担当者のインタラクションを学習し,チェーン・オブ・ソート(CoT)推論を用いた新しいモデル「SalesAgent」を紹介した。
  論文  参考訳（メタデータ） (2024-04-29T10:12:04Z)
• CAUSE: Counterfactual Assessment of User Satisfaction Estimation in Task-Oriented Dialogue Systems [60.27663010453209]
  我々は,大規模言語モデル(LLM)を利用して,満足度を考慮した対実対話を生成する。 生成されたサンプルの信頼性を確保するために、人間のアノテーションを収集します。 この結果から,TODシステムにおけるユーザ満足度推定のためのデータ拡張手法の必要性が明らかになった。
  論文  参考訳（メタデータ） (2024-03-27T23:45:31Z)
• Measuring Bargaining Abilities of LLMs: A Benchmark and A Buyer-Enhancement Method [17.388837360641276]
  本稿では,Bargainingタスクを非対称な不完全情報ゲームとして記述する。 これにより、Bargainタスクにおけるエージェントのパフォーマンスを定量的に評価することができます。 本稿では,OG-Narratorと呼ばれる新手法を提案する。
  論文  参考訳（メタデータ） (2024-02-24T13:36:58Z)
• Conversational Recommender System and Large Language Model Are Made for Each Other in E-commerce Pre-sales Dialogue [80.51690477289418]
  会話推薦システム(CRS)は、ユーザ表現を学習し、対話コンテキストに基づいて正確なレコメンデーションを提供するが、外部知識に依存している。 大規模言語モデル(LLM)は、微調整後の事前販売の対話を模倣する応答を生成するが、正確なレコメンデーションのためのドメイン固有の知識は欠如している。 本稿では,eコマース事前販売対話におけるLCMとCRSの組み合わせの有効性について検討する。
  論文  参考訳（メタデータ） (2023-10-23T07:00:51Z)
• UltraFeedback: Boosting Language Models with Scaled AI Feedback [99.4633351133207]
  大規模で高品質で多様なAIフィードバックデータセットである textscUltraFeedback を提示する。 我々の研究は、強力なオープンソースのチャット言語モデルを構築する上で、スケールしたAIフィードバックデータの有効性を検証する。
  論文  参考訳（メタデータ） (2023-10-02T17:40:01Z)
• 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)
• Approximating Online Human Evaluation of Social Chatbots with Prompting [11.657633779338724]
  既存の評価指標は、オフラインユーザ評価の自動化と、事前計算したダイアログの人的判断の近似を目的としている。 GPTファミリーの大規模言語モデル(LLM)を利用したオンライン人間評価の近似手法を提案する。 Prompting (DEP) に基づく新しいダイアログシステム評価フレームワークを導入し,完全な自動評価パイプラインを実現する。
  論文  参考訳（メタデータ） (2023-04-11T14:45:01Z)
• Intent Recognition in Conversational Recommender Systems [0.0]
  会話における入力発話を文脈化するためのパイプラインを導入する。 次に、逆機能エンジニアリングを活用して、コンテキスト化された入力と学習モデルをリンクして、意図認識をサポートするための次のステップを踏み出します。
  論文  参考訳（メタデータ） (2022-12-06T11:02:42Z)
• 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)

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。