論文の概要: Extracting user needs with Chat-GPT for dialogue recommendation

• arxiv url: http://arxiv.org/abs/2310.19303v2
• Date: Wed, 6 Dec 2023 08:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 18:00:16.695785
• Title: Extracting user needs with Chat-GPT for dialogue recommendation
• Title（参考訳）: chat-gptを用いた対話推薦のためのユーザニーズの抽出
• Authors: Yugen Sato, Taisei Nakajima, Tatsuki Kawamoto, Tomohiro Takagi
• Abstract要約: 大規模言語モデル(LLM)は、ますます洗練され、人間のような能力を示している。 OpenAIのChat-GPTは対話システムとして非常に高い推論能力を持ち、高品質な文を生成する能力を持っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale language models (LLMs), such as ChatGPT, are becoming increasingly sophisticated and exhibit human-like capabilities, playing an essential role in assisting humans in a variety of everyday tasks. An important application of AI is interactive recommendation systems that respond to human inquiries and make recommendations tailored to the user. In most conventional interactive recommendation systems, the language model is used only as a dialogue model, and there is a separate recommendation system. This is due to the fact that the language model used as a dialogue system does not have the capability to serve as a recommendation system. Therefore, we will realize the construction of a dialogue system with recommendation capability by using OpenAI's Chat-GPT, which has a very high inference capability as a dialogue system and the ability to generate high-quality sentences, and verify the effectiveness of the system.
• Abstract（参考訳）: chatgptのような大規模言語モデル(llm)はますます洗練され、人間のような能力を発揮し、様々な日常業務において人間を助ける上で不可欠な役割を担っている。 AIの重要な応用は、対話型レコメンデーションシステムで、人間の問い合わせに応答し、ユーザに合わせたレコメンデーションを行う。 ほとんどの従来の対話型レコメンデーションシステムでは、言語モデルは対話モデルとしてのみ使用され、別個のレコメンデーションシステムが存在する。 これは対話システムとして使われる言語モデルが推薦システムとして機能する能力を持っていないためである。 そこで我々は,対話システムとしての非常に高い推論能力と高品質な文を生成する能力を有するOpenAIのChat-GPTを用いて,推薦機能を備えた対話システムの構築を実現し,システムの有効性を検証する。

関連論文リスト

• Identifying Breakdowns in Conversational Recommender Systems using User Simulation [15.54070473873364]
  本稿では,会話のブレークダウンに関して,会話レコメンデーションシステムをテストする手法を提案する。 システム間で発生した会話を調べ、事前に定義されたブレークダウンタイプに対してユーザをシミュレートする。 提案手法を既存の会話レコメンデータシステムとユーザシミュレータを用いたケーススタディに適用し,ほんの数イテレーションで,会話のブレークダウンに対してシステムをより堅牢にすることができることを示す。
  論文  参考訳（メタデータ） (2024-05-23T07:28:26Z)
• Customized Conversational Recommender Systems [45.84713970070487]
  会話レコメンデータシステム(CRS)は、ユーザの現在の意図を捉え、リアルタイムなマルチターン対話によるレコメンデーションを提供することを目的としている。 本稿では,3つの視点からCRSモデルをカスタマイズした新しいCRSモデルであるCustomized Conversational Recommender System(CCRS)を提案する。 パーソナライズされたレコメンデーションを提供するために,対話コンテキストからユーザの現在あるきめ細かい意図を,ユーザ固有の嗜好のガイダンスで抽出する。
  論文  参考訳（メタデータ） (2022-06-30T09:45:36Z)
• Building a Personalized Dialogue System with Prompt-Tuning [5.942602139622984]
  与えられた文字設定(ペルソナ)に基づいて応答する対話システムを構築する。 本稿では,事前学習された大規模言語モデルに対して,学習コストの低いプロンプトチューニングを利用する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-11T02:21:11Z)
• Towards Large-Scale Interpretable Knowledge Graph Reasoning for Dialogue Systems [109.16553492049441]
  よりスケーラブルで一般化可能な対話システムに知識推論機能を組み込む新しい手法を提案する。 我々の知識を最大限に活用するために、変圧器モデルが微分可能な知識グラフを解析して応答を生成するのは、これが初めてである。
  論文  参考訳（メタデータ） (2022-03-20T17:51:49Z)
• 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)
• UniDS: A Unified Dialogue System for Chit-Chat and Task-oriented Dialogues [59.499965460525694]
  上記の2つのスキルを備えた統合対話システム(UniDS)を提案する。 我々は、チャットとタスク指向の対話の両方に対応可能な統合対話データスキーマを設計する。 我々は、事前訓練されたチャット対話モデルから混合対話データでUniDSを訓練する。
  論文  参考訳（メタデータ） (2021-10-15T11:56:47Z)
• INSPIRED: Toward Sociable Recommendation Dialog Systems [51.1063713492648]
  レコメンデーションダイアログでは、人間は通常自分の好みを開示し、友好的な方法でレコメンデーションを行う。 本稿では,映画レコメンデーションのための1,001人の人間-人間ダイアログのデータセットを提案する。 分析の結果,個人意見の共有や励ましとのコミュニケーションといった社会的レコメンデーション戦略が,より頻繁に実施されることが示唆された。
  論文  参考訳（メタデータ） (2020-09-29T21:03:44Z)
• Towards Conversational Recommendation over Multi-Type Dialogs [78.52354759386296]
  ボットは、非推奨ダイアログからレコメンデーションダイアログへの会話を積極的に自然に導くことができる。 この課題の研究を容易にするために,人間と人による中国語対話データセットemphDuRecDial(約10k対話,約156k発話)を作成する。 各ダイアログでは、リコメンデータが積極的にマルチタイプのダイアログを導き、レコメンデーションターゲットにアプローチし、リッチなインタラクション動作で複数のレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-05-08T11:01:21Z)
• Conversation Learner -- A Machine Teaching Tool for Building Dialog Managers for Task-Oriented Dialog Systems [57.082447660944965]
  Conversation Learnerは、ダイアログマネージャを構築するための機械学習ツールである。 ダイアログ作成者が慣れ親しんだツールを使ってダイアログフローを作成し、ダイアログフローをパラメトリックモデルに変換することができる。 ユーザシステムダイアログをトレーニングデータとして活用することで、ダイアログ作成者が時間とともにダイアログマネージャを改善することができる。
  論文  参考訳（メタデータ） (2020-04-09T00:10:54Z)
• Attention over Parameters for Dialogue Systems [69.48852519856331]
  我々は,異なる対話スキルを個別にパラメータ化する対話システムを学び,AoP(Attention over Parameters)を通じてそれぞれを選択し,組み合わせることを学ぶ。 実験の結果,MultiWOZ,In-Car Assistant,Persona-Chatの複合データセット上での競合性能が得られた。
  論文  参考訳（メタデータ） (2020-01-07T03:10:42Z)

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。