論文の概要: Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences

• arxiv url: http://arxiv.org/abs/2503.22005v1
• Date: Thu, 27 Mar 2025 21:45:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 19:09:59.49738
• Title: Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences
• Title（参考訳）: ユーザの嗜好を対比した検索型会話レコメンデーションの活用
• Authors: Heejin Kook, Junyoung Kim, Seongmin Park, Jongwuk Lee,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.249992789091415
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conversational recommender systems (CRSs) are designed to suggest the target item that the user is likely to prefer through multi-turn conversations. Recent studies stress that capturing sentiments in user conversations improves recommendation accuracy. However, they employ a single user representation, which may fail to distinguish between contrasting user intentions, such as likes and dislikes, potentially leading to suboptimal performance. To this end, we propose a novel conversational recommender model, called COntrasting user pReference expAnsion and Learning (CORAL). Firstly, CORAL extracts the user's hidden preferences through contrasting preference expansion using the reasoning capacity of the LLMs. Based on the potential preference, CORAL explicitly differentiates the contrasting preferences and leverages them into the recommendation process via preference-aware learning. Extensive experiments show that CORAL significantly outperforms existing methods in three benchmark datasets, improving up to 99.72% in Recall@10. The code and datasets are available at https://github.com/kookeej/CORAL
• Abstract（参考訳）: 会話レコメンデータシステム(CRS)は、ユーザがマルチターン会話を通じて好むであろう対象項目を提案するように設計されている。 近年の研究では、ユーザの会話における感情の捉え方が推奨精度を向上させることが強調されている。 しかし、彼らは単一のユーザ表現を採用しており、好意や嫌悪といった対照的なユーザの意図を区別することができず、潜在的に最適以下のパフォーマンスにつながる可能性がある。 そこで本稿では,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。 まず、LLMの推論能力を用いて、好み拡張を対比することで、ユーザの隠れた好みを抽出する。 潜在的な選好に基づいて、Coralはコントラストの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。 大規模な実験によると、Coralは3つのベンチマークデータセットで既存のメソッドを著しく上回り、Recall@10.99.72%まで改善している。 コードとデータセットはhttps://github.com/kookeej/CORALで公開されている。

関連論文リスト

• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• AdaptRec: A Self-Adaptive Framework for Sequential Recommendations with Large Language Models [10.52052172996229]
  AdaptRecは、明示的な協調シグナルを組み込むことで、シーケンシャルなレコメンデーションのためにLarge Language Modelsを活用する、自己適応型のフラムワークである。 本研究では,その行動系列を自然言語に変換するユーザコンテキスト適応型レコメンデーション・プロンプトを開発し,これらの情報をレコメンデーション・プロセスに明示的に統合する。 AdaptRecの優れたパフォーマンスを示す実験では、HitRatio@1スコアの7.13%、18.16%、10.41%が現実世界のデータセットで大幅に改善されている。
  論文  参考訳（メタデータ） (2025-04-06T00:30:50Z)
• Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems [65.75265303064654]
  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。
  論文  参考訳（メタデータ） (2025-02-19T22:47:40Z)
• Comparing Bad Apples to Good Oranges: Aligning Large Language Models via Joint Preference Optimization [105.3612692153615]
  命令応答対に対して協調的に好みを抽出する新しい軸を提案する。 命令と応答ペアを併用することで、大きな言語モデルのアライメントを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:05:40Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• Vague Preference Policy Learning for Conversational Recommendation [48.868921530958666]
  会話レコメンデーションシステムは通常、ユーザが明確な好みを持っていると仮定し、潜在的に過度なフィルタリングにつながる。 本稿では,Vag Preference Multi-round Conversational Recommendation (VPMCR) シナリオを紹介する。 我々の研究は、ユーザの内在する曖昧さと相対的な意思決定プロセスを調整し、現実の応用性を向上させることでCRSを前進させます。
  論文  参考訳（メタデータ） (2023-06-07T14:57:21Z)
• 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)
• Comparison-based Conversational Recommender System with Relative Bandit Feedback [15.680698037463488]
  比較に基づく会話推薦システムを提案する。 我々はRelativeConUCBと呼ばれる新しい帯域幅アルゴリズムを提案する。 合成および実世界の両方のデータセットに対する実験により,提案手法の利点が検証された。
  論文  参考訳（メタデータ） (2022-08-21T08:05:46Z)
• 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)

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。