論文の概要: Towards Personalized Conversational Sales Agents : Contextual User Profiling for Strategic Action

• arxiv url: http://arxiv.org/abs/2504.08754v2
• Date: Tue, 15 Apr 2025 08:21:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:08:21.455190
• Title: Towards Personalized Conversational Sales Agents : Contextual User Profiling for Strategic Action
• Title（参考訳）: パーソナライズされた対話型セールスエージェントを目指して : 戦略的行動のためのコンテキストユーザプロファイリング
• Authors: Tongyoung Kim, Jeongeun Lee, Soojin Yoon, Seonghwan Kim, Dongha Lee,
• Abstract要約: 本稿では、嗜好の誘惑、推薦、説得を統一する新しいタスクである会話販売(CSales)を紹介する。 CSales の現実的な評価のために,実世界のデータから構築した LLM ベースのユーザシミュレータ CSUser を提案する。 また、対話型行動計画のための対話を通して文脈プロファイルを積極的に推測する対話型販売エージェントCSIを提案する。
• 参考スコア（独自算出の注目度）: 10.645522394951511
• License:
• Abstract: Conversational Recommender Systems (CRSs) aim to engage users in dialogue to provide tailored recommendations. While traditional CRSs focus on eliciting preferences and retrieving items, real-world e-commerce interactions involve more complex decision-making, where users consider multiple factors beyond simple attributes. To bridge this gap, we introduce Conversational Sales (CSales), a novel task that unifies preference elicitation, recommendation, and persuasion to better support user decision-making. For a realistic evaluation of CSales, we present CSUser, an LLM-based user simulator constructed from real-world data, modeling diverse user profiles with needs and personalities. Additionally, we propose CSI, a conversational sales agent that proactively infers contextual profiles through dialogue for personalized action planning. Extensive experiments demonstrate that CSUser effectively replicates real-world users and emphasize the importance of contextual profiling for strategic action selection, ultimately driving successful purchases in e-commerce.
• Abstract（参考訳）: Conversational Recommender Systems (CRSs) は、ユーザーと対話して適切なレコメンデーションを提供することを目的としている。 従来のCRSは好みの抽出やアイテムの検索に重点を置いているが、現実のeコマースの相互作用はより複雑な意思決定を伴う。 このギャップを埋めるために、ユーザの意思決定を支援するために、好みの誘惑、推薦、説得を統一する新しいタスクである会話販売(CSales)を導入する。 CSales を現実的に評価するために,実世界のデータから構築された LLM ベースのユーザシミュレータ CSUser を提案する。 さらに、対話型行動計画のための対話を通して文脈プロファイルを積極的に推論する対話型販売エージェントCSIを提案する。 CSUserは実世界のユーザを効果的に再現し、戦略的行動選択におけるコンテキストプロファイリングの重要性を強調し、最終的にeコマースにおける成功を導いた。

関連論文リスト

• Stop Playing the Guessing Game! Target-free User Simulation for Evaluating Conversational Recommender Systems [15.481944998961847]
  PEPPERは、実際のユーザインタラクション履歴とレビューから構築された、ターゲットフリーなユーザシミュレータによる評価プロトコルである。 PEPPERは、単純な推測ゲームに陥ることなく、現実的なユーザ-CRS対話を可能にする。 PEPPERは、CRSの嗜好誘発能力を包括的に評価するための詳細な尺度を提示する。
  論文  参考訳（メタデータ） (2024-11-25T07:36:20Z)
• Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems [78.84530426424838]
  既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。 このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。 私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
  論文  参考訳（メタデータ） (2023-10-26T19:44:06Z)
• Conversational Recommender System and Large Language Model Are Made for Each Other in E-commerce Pre-sales Dialogue [80.51690477289418]
  会話推薦システム(CRS)は、ユーザ表現を学習し、対話コンテキストに基づいて正確なレコメンデーションを提供するが、外部知識に依存している。 大規模言語モデル(LLM)は、微調整後の事前販売の対話を模倣する応答を生成するが、正確なレコメンデーションのためのドメイン固有の知識は欠如している。 本稿では,eコマース事前販売対話におけるLCMとCRSの組み合わせの有効性について検討する。
  論文  参考訳（メタデータ） (2023-10-23T07:00:51Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)
• U-NEED: A Fine-grained Dataset for User Needs-Centric E-commerce Conversational Recommendation [59.81301478480005]
  現実のEコマースシナリオからユーザニーズ中心のEコマース対話推薦データセット(U-NEED)を構築した。 U-NEEDは,5つのカテゴリ (ii) 333,879のユーザ行動と, (iii) 332,148の製品知識の3種類のリソースで構成されている。
  論文  参考訳（メタデータ） (2023-05-05T01:44:35Z)
• 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)
• Conversational Recommendation: Theoretical Model and Complexity Analysis [6.084774669743511]
  理論的にドメインに依存しない会話推薦モデルを提案する。 効率的な会話戦略の発見はNPハードであることが示される。 また,カタログの特徴が個々の対話戦略の効率性に強く影響を与えることを示す。
  論文  参考訳（メタデータ） (2021-11-10T09:05:52Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)

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。