論文の概要: Navigating User Experience of ChatGPT-based Conversational Recommender Systems: The Effects of Prompt Guidance and Recommendation Domain
- arxiv url: http://arxiv.org/abs/2405.13560v1
- Date: Wed, 22 May 2024 11:49:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 00:24:16.606076
- Title: Navigating User Experience of ChatGPT-based Conversational Recommender Systems: The Effects of Prompt Guidance and Recommendation Domain
- Title（参考訳）: ChatGPTを用いた会話レコメンダシステムのユーザエクスペリエンスのナビゲート:プロンプトガイダンスとレコメンデーションドメインの効果
- Authors: Yizhe Zhang, Yucheng Jin, Li Chen, Ting Yang,
- Abstract要約: 本研究では,プロンプトガイダンス(PG)とレコメンデーションドメイン(RD)がシステム全体のユーザエクスペリエンスに与える影響について検討する。
その結果,PGはシステムの説明可能性,適応性,使いやすさ,透明性を著しく向上させることができることがわかった。
- 参考スコア（独自算出の注目度）: 15.179413273734761
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversational recommender systems (CRS) enable users to articulate their preferences and provide feedback through natural language. With the advent of large language models (LLMs), the potential to enhance user engagement with CRS and augment the recommendation process with LLM-generated content has received increasing attention. However, the efficacy of LLM-powered CRS is contingent upon the use of prompts, and the subjective perception of recommendation quality can differ across various recommendation domains. Therefore, we have developed a ChatGPT-based CRS to investigate the impact of these two factors, prompt guidance (PG) and recommendation domain (RD), on the overall user experience of the system. We conducted an online empirical study (N = 100) by employing a mixed-method approach that utilized a between-subjects design for the variable of PG (with vs. without) and a within-subjects design for RD (book recommendations vs. job recommendations). The findings reveal that PG can substantially enhance the system's explainability, adaptability, perceived ease of use, and transparency. Moreover, users are inclined to perceive a greater sense of novelty and demonstrate a higher propensity to engage with and try recommended items in the context of book recommendations as opposed to job recommendations. Furthermore, the influence of PG on certain user experience metrics and interactive behaviors appears to be modulated by the recommendation domain, as evidenced by the interaction effects between the two examined factors. This work contributes to the user-centered evaluation of ChatGPT-based CRS by investigating two prominent factors and offers practical design guidance.
- Abstract（参考訳）: 会話レコメンデータシステム(CRS)は、ユーザが好みを明確に表現し、自然言語を通じてフィードバックを提供することを可能にする。
大規模言語モデル (LLMs) の出現に伴い, CRS によるユーザエンゲージメントの向上と LLM 生成コンテンツによるレコメンデーションプロセスの強化が注目されている。
しかし, LLMを用いたCRSの有効性は, プロンプトの使用によって決定され, 推薦品質に対する主観的な認識は, 様々な推奨領域で異なる可能性がある。
そこで我々は,これら2つの要因,即時ガイダンス(PG)とレコメンデーションドメイン(RD)がシステム全体のユーザエクスペリエンスに与える影響を調査するために,ChatGPTベースのCRSを開発した。
オンライン実証研究(N = 100)では、PGの変数のオブジェクト間設計とRDのオブジェクト内設計(書籍レコメンデーションと求人レコメンデーション)を併用した混合手法を用いて、実験を行った。
その結果,PGはシステムの説明可能性,適応性,使いやすさ,透明性を著しく向上させることができることがわかった。
さらに、ユーザは、仕事の推薦ではなく、書籍の推薦という文脈において、より斬新な感覚を知覚し、推奨事項に取り組み、試行する確率を高める傾向にある。
さらに,PGが特定のユーザエクスペリエンス指標および対話行動に与える影響は,2つの要因間の相互作用効果によって証明されるように,レコメンデーションドメインによって変調されているようである。
本研究は,ChatGPTに基づくCRSのユーザ中心評価に寄与する。
関連論文リスト
- LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning [40.53821858897774]
本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗する新しいレコメンデータを紹介し,そのレコメンデーションを強化し,解釈可能な結果を提供する。
提案手法は,レコメンデータシステムの有効性と解釈性を両立させる。
論文 参考訳（メタデータ） (2024-06-22T14:14:03Z) - RAH! RecSys-Assistant-Human: A Human-Centered Recommendation Framework
with LLM Agents [30.250555783628762]
この研究は、これらの問題に対処することは単にレコメンダシステムの責任ではないと主張している。
本稿では,RAH Recommenderシステム,Assistant,Humanフレームワークを紹介する。
私たちのコントリビューションは、さまざまなレコメンデーションモデルと効果的に連携する、人間中心のレコメンデーションフレームワークを提供します。
論文 参考訳（メタデータ） (2023-08-19T04:46:01Z) - 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) - Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender
System [11.404192885921498]
Chat-Recは会話レコメンデーションシステムを構築するための新しいパラダイムである。
Chat-Recは、ユーザの好みを学習し、ユーザと製品間の接続を確立するのに有効である。
実験では、Chat-Recはトップkレコメンデーションの結果を効果的に改善し、ゼロショット評価予測タスクでより良いパフォーマンスを発揮する。
論文 参考訳（メタデータ） (2023-03-25T17:37:43Z) - Aligning Recommendation and Conversation via Dual Imitation [56.236932446280825]
提案するDICR(Dual Imitation for Conversational Recommendation)は,リコメンデーションパスとユーザ関心シフトパスを明確に整合させる2つの模倣を設計する。
アライメント信号の交換により、DICRはレコメンデーションと会話モジュール間の双方向のプロモーションを実現する。
実験により、DICRは推奨と会話のパフォーマンスに関する最先端モデルよりも、自動的、人的、斬新な説明可能性の指標の方が優れていることが示された。
論文 参考訳（メタデータ） (2022-11-05T08:13:46Z) - KECRS: Towards Knowledge-Enriched Conversational Recommendation System [50.0292306485452]
chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。
外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。
KECRS(Knowledge-Enriched Conversational Recommendation System)の提案
大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-05-18T03:52:06Z) - Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。
KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。
最終的には、正確な推奨は会話の順番を少なくして生成できる。
論文 参考訳（メタデータ） (2021-05-11T03:58:10Z) - Improving Conversational Recommender Systems via Knowledge Graph based
Semantic Fusion [77.21442487537139]
対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。
まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。
第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
論文 参考訳（メタデータ） (2020-07-08T11:14:23Z) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳（メタデータ） (2020-05-04T16:23:34Z) - A Survey on Conversational Recommender Systems [11.319431345375751]
会話レコメンデータシステム(CRS)は異なるアプローチを採用し、よりリッチなインタラクションをサポートする。
CRSに対する関心は、ここ数年で大幅に増加した。
この開発は主に自然言語処理の分野における著しい進歩によるものである。
論文 参考訳（メタデータ） (2020-04-01T18:00:47Z)
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。