論文の概要: Question Suggestion for Conversational Shopping Assistants Using Product Metadata

• arxiv url: http://arxiv.org/abs/2405.01738v1
• Date: Thu, 2 May 2024 21:16:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 14:24:53.200374
• Title: Question Suggestion for Conversational Shopping Assistants Using Product Metadata
• Title（参考訳）: 商品メタデータを用いた会話型ショッピングアシスタントに対する質問
• Authors: Nikhita Vedula, Oleg Rokhlenko, Shervin Malmasi,
• Abstract要約: 本稿では,Large Language Models (LLMs) を用いて,製品に関する文脈的,有用な,応答可能な,流動的で多様な質問を自動的に生成するフレームワークを提案する。 これらの質問を顧客に対して、会話の開始と継続の両方に役立つ提案やヒントとして提案することは、よりスムーズで高速なショッピング体験をもたらす。
• 参考スコア（独自算出の注目度）: 24.23400061359442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital assistants have become ubiquitous in e-commerce applications, following the recent advancements in Information Retrieval (IR), Natural Language Processing (NLP) and Generative Artificial Intelligence (AI). However, customers are often unsure or unaware of how to effectively converse with these assistants to meet their shopping needs. In this work, we emphasize the importance of providing customers a fast, easy to use, and natural way to interact with conversational shopping assistants. We propose a framework that employs Large Language Models (LLMs) to automatically generate contextual, useful, answerable, fluent and diverse questions about products, via in-context learning and supervised fine-tuning. Recommending these questions to customers as helpful suggestions or hints to both start and continue a conversation can result in a smoother and faster shopping experience with reduced conversation overhead and friction. We perform extensive offline evaluations, and discuss in detail about potential customer impact, and the type, length and latency of our generated product questions if incorporated into a real-world shopping assistant.
• Abstract（参考訳）: デジタルアシスタントは、情報検索(IR)、自然言語処理(NLP)、生成人工知能(AI)の最近の進歩に続いて、電子商取引アプリケーションにおいてユビキタスになった。 しかし、顧客は買い物のニーズを満たすために、これらのアシスタントと効果的に会話する方法を知らない、あるいは知らないことが多い。 本研究では,顧客に対して,対話型ショッピングアシスタントと対話するための,迅速で使いやすく,自然な方法を提供することの重要性を強調した。 本稿では,Large Language Models (LLMs) を用いて,コンテキスト内学習と教師付き微調整を通じて,製品に関する文脈的,有用な,答え可能な,流動的で多様な質問を自動的に生成するフレームワークを提案する。 これらの質問を顧客に対して、会話の開始と継続の両方に役立つ提案やヒントとして再検討することは、会話のオーバーヘッドと摩擦を減らすことで、よりスムーズで高速なショッピング体験をもたらす可能性がある。 我々は、広範囲なオフライン評価を行い、顧客の潜在的な影響、実際のショッピングアシスタントに組み込まれた場合の製品質問のタイプ、長さ、待ち時間について詳細に論じる。

関連論文リスト

• Learning to Ask: Conversational Product Search via Representation Learning [34.689904564411506]
  本研究では,対話型商品検索モデルであるConvPSを提案する。 このモデルはまず、ユーザ、クエリ、アイテム、会話のセマンティック表現を共同で学習するように訓練されている。 提案したConvPSモデルは,ユーザ,クエリ,アイテム,会話の表現学習を統合された生成フレームワークに統合することができる。
  論文  参考訳（メタデータ） (2024-11-18T14:05:43Z)
• Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
  多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。 この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。 実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T21:37:51Z)
• "Ask Me Anything": How Comcast Uses LLMs to Assist Agents in Real Time [9.497432249460385]
  エージェント対応のカスタマーサービスインターフェースにアドオン機能として"Ask Me Anything"(AMA)を導入します。 AMAは、顧客との会話を扱うため、エージェントが要求に応じて大きな言語モデル(LLM)に質問することを可能にする。 AMAと従来の検索体験のエージェントは、検索を含む会話に約10%の時間を費やしていることがわかった。
  論文  参考訳（メタデータ） (2024-05-01T18:31:36Z)
• The Ethics of Advanced AI Assistants [53.89899371095332]
  本稿では,高度AIアシスタントがもたらす倫理的・社会的リスクについて論じる。 我々は、高度なAIアシスタントを自然言語インタフェースを持つ人工知能エージェントとして定義し、ユーザに代わってアクションのシーケンスを計画し実行することを目的としている。 先進的なアシスタントの社会規模での展開を考察し、協力、株式とアクセス、誤情報、経済的影響、環境、先進的なAIアシスタントの評価方法に焦点をあてる。
  論文  参考訳（メタデータ） (2024-04-24T23:18:46Z)
• Identifying Shopping Intent in Product QA for Proactive Recommendations [25.30972312076997]
  我々は、eコマースの領域、すなわち買い物商品質問(SPQ)の特定に焦点を当てている。 本稿では,ユーザの購入履歴から潜伏したショッピング行動を捉え,新しいMixture-of-Experts(MoE)モデルを用いて組み合わせる機能を提案する。 我々はSPQをリアルタイムで識別し、購入した商品をショッピングリストに追加するようユーザーに推奨する。
  論文  参考訳（メタデータ） (2024-04-09T04:55:24Z)
• AutoConv: Automatically Generating Information-seeking Conversations with Large Language Models [74.10293412011455]
  合成会話生成のためのAutoConvを提案する。 具体的には,会話生成問題を言語モデリングタスクとして定式化する。 我々は、情報探索プロセスの特徴を捉えるために、人間同士の会話でLLMを微調整する。
  論文  参考訳（メタデータ） (2023-08-12T08:52:40Z)
• 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)
• KETOD: Knowledge-Enriched Task-Oriented Dialogue [77.59814785157877]
  対話システム研究における既存の研究は、主にタスク指向の対話とチャットを独立したドメインとして扱う。 本研究では,タスク指向対話と知識ベースチップチャットを一つのモデルに効果的に統合する方法について検討する。
  論文  参考訳（メタデータ） (2022-05-11T16:01:03Z)
• NaRLE: Natural Language Models using Reinforcement Learning with Emotion Feedback [0.37277730514654556]
  NARLEは、対話システムの自然言語理解を改善するためのフレームワークである。 2つの意図的分類問題に対して、事前学習された教師付き学習モデルの微調整に強化学習を用いることで、最大43%の性能を向上させることを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-05T16:24:19Z)
• Topic-Oriented Spoken Dialogue Summarization for Customer Service with Saliency-Aware Topic Modeling [61.67321200994117]
  顧客サービスシステムでは、長い音声対話のための要約を作成することにより、対話要約はサービス効率を高めることができる。 本研究では,高度に抽象的な要約を生成するトピック指向の対話要約に注目した。 SATM(Saliency-Awareural topic Model)と併用し,顧客サービス対話のトピック指向要約を目的とした,新しいトピック拡張型2段階対話要約器(TDS)を提案する。
  論文  参考訳（メタデータ） (2020-12-14T07:50:25Z)
• Towards Data Distillation for End-to-end Spoken Conversational Question Answering [65.124088336738]
  音声対話型質問応答タスク(SCQA)を提案する。 SCQAは,音声発話とテキストコーパスから複雑な対話の流れをモデル化することを目的としている。 我々の主な目的は、音声とテキストの両方で会話的な質問に対処するQAシステムを構築することである。
  論文  参考訳（メタデータ） (2020-10-18T05:53:39Z)

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。