論文の概要: Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems

• arxiv url: http://arxiv.org/abs/2502.14137v1
• Date: Wed, 19 Feb 2025 22:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 22:18:11.441446
• Title: Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems
• Title（参考訳）: 大規模言語モデルに基づく会話レコメンダシステムのための協調検索
• Authors: Yaochen Zhu, Chao Wan, Harald Steck, Dawen Liang, Yesu Feng, Nathan Kallus, Jundong Li,
• Abstract要約: 対話レコメンデーションシステム(CRS)は、ユーザとの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。 大規模言語モデル(LLM)は、コンテキスト対応のユーザの好みに対する理解が優れているため、CRSを強化する。 CRAG(Collaborative Retrieval Augmented Generation for LLM-based CRS)を提案する。
• 参考スコア（独自算出の注目度）: 65.75265303064654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational recommender systems (CRS) aim to provide personalized recommendations via interactive dialogues with users. While large language models (LLMs) enhance CRS with their superior understanding of context-aware user preferences, they typically struggle to leverage behavioral data, which have proven to be important for classical collaborative filtering (CF)-based approaches. For this reason, we propose CRAG, Collaborative Retrieval Augmented Generation for LLM-based CRS. To the best of our knowledge, CRAG is the first approach that combines state-of-the-art LLMs with CF for conversational recommendations. Our experiments on two publicly available movie conversational recommendation datasets, i.e., a refined Reddit dataset (which we name Reddit-v2) as well as the Redial dataset, demonstrate the superior item coverage and recommendation performance of CRAG, compared to several CRS baselines. Moreover, we observe that the improvements are mainly due to better recommendation accuracy on recently released movies. The code and data are available at https://github.com/yaochenzhu/CRAG.
• Abstract（参考訳）: 対話レコメンデーションシステム(CRS)は、ユーザとの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。 大規模言語モデル(LLM)は、コンテキスト対応のユーザ嗜好に関する優れた理解でCRSを強化しますが、従来のコラボレーティブフィルタリング(CF)ベースのアプローチでは重要な行動データを活用するのに苦労しています。 そこで我々は,LCMに基づくCRSのためのCRAG(Collaborative Retrieval Augmented Generation)を提案する。 我々の知る限りでは、CRAGは最新のLLMとCFを組み合わせて会話のレコメンデーションを行う最初のアプローチです。 公開された2つの映画会話レコメンデーションデータセット(Reddit-v2)とRedialデータセット)に関する実験では、いくつかのCRSベースラインと比較して、CRAGの項目カバレッジとレコメンデーションパフォーマンスが優れていることを示した。 また,最近公開された映画の推薦精度が向上していることが主な原因と考えられる。 コードとデータはhttps://github.com/yaochenzhu/CRAGで公開されている。

関連論文リスト

• Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences [12.249992789091415]
  我々は、Contrasting user pReference expAnsion and Learning (CORAL)と呼ばれる対話型推薦モデルを提案する。 コーラルは、ユーザの隠れた好みを、コントラストの好み拡張によって抽出する。 対照的な選好を明確に区別し、選好認識学習を通じてレコメンデーションプロセスに活用する。
  論文  参考訳（メタデータ） (2025-03-27T21:45:49Z)
• Graph Retrieval-Augmented LLM for Conversational Recommendation Systems [52.35491420330534]
  G-CRS(Graph Retrieval-Augmented Large Language Model for Conversational Recommender Systems)は、グラフ検索強化世代とテキスト内学習を組み合わせた学習自由フレームワークである。 G-CRSは、タスク固有のトレーニングを必要とせず、既存の手法よりも優れたレコメンデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T03:56:22Z)
• Bridging Conversational and Collaborative Signals for Conversational Recommendation [17.222272483923714]
  Redditの会話とMovieLens 32Mのインタラクションを関連付けるデータセットであるReddit-ML32Mを紹介した。 Reddit-ML32M を用いて LLM 生成したレコメンデーションを CF 埋め込みと整合させる LLM ベースのフレームワークを提案する。 このアプローチは、ヒットレートの12.32%の増加、NDCGの9.9%の改善など、一貫した改善を実現しています。
  論文  参考訳（メタデータ） (2024-12-09T19:53:13Z)
• Beyond Retrieval: Generating Narratives in Conversational Recommender Systems [4.73461454584274]
  本稿では,会話レコメンデーションにおける自然言語生成タスクのための新しいデータセット(REGEN)を提案する。 我々は、よく知られた生成指標を用いてベンチマークを作成し、レーダLEMを用いて新しいデータセットの自動評価を行う。 そして、私たちの知る限りでは、レコメンデーター信号を理解し、リッチな物語を生成することにおけるLLMの能力を分析する最初の試みである。
  論文  参考訳（メタデータ） (2024-10-22T07:53:41Z)
• Alleviating the Long-Tail Problem in Conversational Recommender Systems [72.8984755843184]
  会話レコメンデータシステム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSデータセットは、長い尾の問題に悩まされているため、会話で言及される項目はめったにない(あるいは一度もない)。 本稿では、バランスの取れたCRSデータセットのシミュレーションと利用に焦点を当てた新しいフレームワークである textbfLOT-CRS を提案する。
  論文  参考訳（メタデータ） (2023-07-21T15:28:47Z)
• 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)
• EGCR: Explanation Generation for Conversational Recommendation [7.496434082286226]
  対話エージェントがなぜ行動を起こすのかを説明するための説明文を生成することに基づく会話推薦のための説明生成(EGCR)。 EGCRはユーザレビューを取り入れて項目表現を強化し、会話全体の情報性を高める。 EGCRを1つのベンチマークの会話推薦データセット上で評価し、他の最先端技術モデルと比較して、推奨精度と会話品質の両方で優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-08-17T02:30:41Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)
• 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。