論文の概要: MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models

• arxiv url: http://arxiv.org/abs/2407.04960v1
• Date: Sat, 06 Jul 2024 04:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 20:15:55.974278
• Title: MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models
• Title（参考訳）: MemoCRS:大規模言語モデルを用いたメモリ付き逐次会話レコメンダシステム
• Authors: Yunjia Xi, Weiwen Liu, Jianghao Lin, Bo Chen, Ruiming Tang, Weinan Zhang, Yong Yu,
• Abstract要約: 大規模言語モデルを用いたメモリ拡張型会話レコメンダシステムフレームワーク(MemoCRS)を提案する。 ユーザ固有のメモリは、パーソナライズされた関心事のために各ユーザに合わせて調整される。 共同知識と推論ガイドラインをカプセル化した一般的な記憶は、ユーザに共有知識を提供することができる。
• 参考スコア（独自算出の注目度）: 51.65439315425421
• License:
• Abstract: Conversational recommender systems (CRSs) aim to capture user preferences and provide personalized recommendations through multi-round natural language dialogues. However, most existing CRS models mainly focus on dialogue comprehension and preferences mining from the current dialogue session, overlooking user preferences in historical dialogue sessions. The preferences embedded in the user's historical dialogue sessions and the current session exhibit continuity and sequentiality, and we refer to CRSs with this characteristic as sequential CRSs. In this work, we leverage memory-enhanced LLMs to model the preference continuity, primarily focusing on addressing two key issues: (1) redundancy and noise in historical dialogue sessions, and (2) the cold-start users problem. To this end, we propose a Memory-enhanced Conversational Recommender System Framework with Large Language Models (dubbed MemoCRS) consisting of user-specific memory and general memory. User-specific memory is tailored to each user for their personalized interests and implemented by an entity-based memory bank to refine preferences and retrieve relevant memory, thereby reducing the redundancy and noise of historical sessions. The general memory, encapsulating collaborative knowledge and reasoning guidelines, can provide shared knowledge for users, especially cold-start users. With the two kinds of memory, LLMs are empowered to deliver more precise and tailored recommendations for each user. Extensive experiments on both Chinese and English datasets demonstrate the effectiveness of MemoCRS.
• Abstract（参考訳）: 会話レコメンデーションシステム(CRS)は、ユーザの好みを捉え、マルチラウンドの自然言語対話を通じてパーソナライズされたレコメンデーションを提供することを目的としている。 しかし、既存のCRSモデルは、主に対話の理解と現在の対話セッションからのマイニングに焦点を当てており、過去の対話セッションにおけるユーザの好みを見下ろしている。 ユーザの過去の対話セッションと現在のセッションに埋め込まれた嗜好は連続性とシーケンシャル性を示し、この特徴を持つCRSをシーケンシャルCRSと呼ぶ。 本研究では,(1)過去の対話セッションにおける冗長性とノイズ,(2)コールドスタートユーザ問題という2つの問題に対処することを中心に,メモリ強化LDMを用いて,好みの連続性をモデル化する。 そこで本研究では,ユーザ固有のメモリと汎用メモリからなる大規模言語モデル(MemoCRS)を用いたメモリ拡張型会話レコメンダシステムフレームワークを提案する。 ユーザ固有のメモリは、パーソナライズされた関心のために各ユーザ向けに調整され、エンティティベースのメモリバンクによって実装され、好みを洗練し、関連するメモリを取得することにより、歴史的なセッションの冗長性とノイズを低減する。 共同知識と推論ガイドラインをカプセル化した一般的な記憶は、ユーザ、特にコールドスタートユーザに対して共有知識を提供することができる。 2種類のメモリを使用すれば、LSMはより正確でカスタマイズされたレコメンデーションを各ユーザに提供することができる。 中国語と英語の両方のデータセットに対する大規模な実験は、MemoCRSの有効性を実証している。

関連論文リスト

• Parameter-Efficient Conversational Recommender System as a Language Processing Task [52.47087212618396]
  会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。 先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。 本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-01-25T14:07:34Z)
• Personalized Large Language Model Assistant with Evolving Conditional Memory [15.780762727225122]
  条件記憶を進化させる大規模言語モデルアシスタントをパーソナライズするためのプラグイン・アンド・プレイフレームワークを提案する。 パーソナライズされたアシスタントは、ユーザとの履歴対話から知識と経験をインテリジェントに保存することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-22T02:39:15Z)
• Enhancing Large Language Model with Self-Controlled Memory Framework [56.38025154501917]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)
• 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)
• User-Centric Conversational Recommendation with Multi-Aspect User Modeling [47.310579802092384]
  CRSタスクにおけるユーザの嗜好学習の本質に回帰するユーザ中心会話推薦(UCCR)モデルを提案する。 複数視点の選好マッパーを用いて,現在および歴史的セッションにおける異なる視点の内在的相関を学習する。 学習したマルチアスペクトのマルチビューユーザ嗜好は、レコメンデーションと対話生成に使用される。
  論文  参考訳（メタデータ） (2022-04-20T07:08:46Z)
• 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)

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。