論文の概要: Snippet-based Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2411.06064v1
• Date: Sat, 09 Nov 2024 04:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 17:07:46.037808
• Title: Snippet-based Conversational Recommender System
• Title（参考訳）: スニペットを用いた会話レコメンダシステム
• Authors: Haibo Sun, Naoki Otani, Hannah Kim, Dan Zhang, Nikita Bhutani,
• Abstract要約: SnipRecは顧客レビューのようなユーザ生成コンテンツ(UGC)から多様な表現や好みを抽出し、対話とレコメンデーションを強化する新しいCRSである。 このアプローチは、ドメイン固有のトレーニングの必要性を排除し、新しいドメインに適応し、ユーザの好みに関する事前の知識なしで有効にします。
• 参考スコア（独自算出の注目度）: 7.943863017830094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational Recommender Systems (CRS) engage users in interactive dialogues to gather preferences and provide personalized recommendations. Traditionally, CRS rely on pre-defined attributes or expensive, domain-specific annotated datasets to guide conversations, which limits flexibility and adaptability across domains. In this work, we introduce SnipRec, a novel CRS that enhances dialogues and recommendations by extracting diverse expressions and preferences from user-generated content (UGC) like customer reviews. Using large language models, SnipRec maps user responses and UGC to concise snippets, which are used to generate clarification questions and retrieve relevant items. Our approach eliminates the need for domain-specific training, making it adaptable to new domains and effective without prior knowledge of user preferences. Extensive experiments on the Yelp dataset demonstrate the effectiveness of snippet-based representations against document and sentence-based representations. Additionally, SnipRec is able to improve Hits@10 by 0.25 over the course of five conversational turns, underscoring the efficiency of SnipRec in capturing user preferences through multi-turn conversations.
• Abstract（参考訳）: Conversational Recommender Systems (CRS) は、対話型対話にユーザを巻き込み、好みを収集し、パーソナライズされたレコメンデーションを提供する。 伝統的に、CRSは会話をガイドするために、事前に定義された属性や高価なドメイン固有のアノテーション付きデータセットに依存しており、ドメイン間の柔軟性と適応性を制限する。 本研究では,ユーザレビューのようなユーザ生成コンテンツ(UGC)から多様な表現や好みを抽出し,対話とレコメンデーションを強化する新しいCRSであるSnipRecを紹介する。 大規模な言語モデルを使用して、SnipRecはユーザ応答とUGCをマッピングして簡潔なスニペットを生成する。 このアプローチは、ドメイン固有のトレーニングの必要性を排除し、新しいドメインに適応し、ユーザの好みに関する事前の知識なしで有効にします。 Yelpデータセットに関する大規模な実験は、文書や文ベースの表現に対するスニペットベースの表現の有効性を実証している。 さらに、SnipRecは5回の会話でHits@10を0.25改善し、マルチターン会話を通じてユーザの好みをキャプチャするSnipRecの効率性を強調している。

関連論文リスト

• MSCRS: Multi-modal Semantic Graph Prompt Learning Framework for Conversational Recommender Systems [15.792566559456422]
  Conversational Recommender Systems (CRS)は、会話を通じてユーザと対話することで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。 我々はMSCRSと呼ばれるCRSのためのマルチモーダルなセマンティックグラフプロンプト学習フレームワークを提案する。 提案手法は項目推薦の精度を大幅に向上させ,応答生成においてより自然で文脈的に関連のあるコンテンツを生成する。
  論文  参考訳（メタデータ） (2025-04-15T07:05:22Z)
• Why Not Together? A Multiple-Round Recommender System for Queries and Items [37.709748983831034]
  推薦システムの基本的な技術は、ユーザの嗜好をモデル化することであり、クエリや項目がユーザ関心の象徴的な表現として広く使われている。 両タイプの相乗効果を生かしたMultiple-round Auto Guess-and-Update System(MAGUS)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T10:49:00Z)
• Towards Empathetic Conversational Recommender Systems [77.53167131692]
  本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。 ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。 ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-30T15:43:07Z)
• Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
  知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。 具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
  論文  参考訳（メタデータ） (2024-08-02T15:38:55Z)
• MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models [51.65439315425421]
  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。
  論文  参考訳（メタデータ） (2024-07-06T04:57:25Z)
• InteraRec: Screenshot Based Recommendations Using Multimodal Large Language Models [0.6926105253992517]
  InteraRecと呼ばれる洗練されたインタラクティブなレコメンデーションフレームワークを紹介します。 InteraRecは、ユーザがWebサイトをナビゲートするときに、Webページの高周波スクリーンショットをキャプチャする。 ユーザに対して価値あるパーソナライズされたオファリングを提供する上で、InteraRecの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-26T17:47:57Z)
• 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)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Conversational Recommendation as Retrieval: A Simple, Strong Baseline [4.737923227003888]
  会話レコメンデーションシステム(CRS)は,自然言語会話を通じて適切な項目をユーザに推薦することを目的としている。 ほとんどのCRSアプローチは、これらの会話によって提供されるシグナルを効果的に利用しない。 CRS項目推薦タスクに対して、代替情報検索(IR)スタイルのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-23T06:21:31Z)
• Beyond Single Items: Exploring User Preferences in Item Sets with the Conversational Playlist Curation Dataset [20.42354123651454]
  私たちはこのタスクを会話アイテムセットキュレーションと呼びます。 本稿では,会話環境におけるアイテムセットのリアルな嗜好を効率的に収集する新しいデータ収集手法を提案する。 我々は、それが他の方法では表現されない好みを表現することにつながることを示している。
  論文  参考訳（メタデータ） (2023-03-13T00:39:04Z)
• Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation [62.019437228000776]
  本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。 人間の収集したデータセットで100万以上の多様な会話を生成します。
  論文  参考訳（メタデータ） (2023-01-27T01:54:16Z)
• COLA: Improving Conversational Recommender Systems by Collaborative Augmentation [9.99763097964222]
  アイテム表現学習とユーザ嗜好モデリングの両方を改善するために,協調的拡張(COLA)手法を提案する。 すべての会話から対話型ユーザテムグラフを構築し,ユーザ認識情報によってアイテム表現を拡大する。 ユーザの嗜好モデルを改善するため,学習コーパスから類似した会話を検索し,ユーザの興味を反映した関連項目や属性を用いてユーザ表現を増強する。
  論文  参考訳（メタデータ） (2022-12-15T12:37:28Z)
• 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)
• 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)
• 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。