論文の概要: ImpReSS: Implicit Recommender System for Support Conversations

• arxiv url: http://arxiv.org/abs/2506.14231v1
• Date: Tue, 17 Jun 2025 06:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.361108
• Title: ImpReSS: Implicit Recommender System for Support Conversations
• Title（参考訳）: ImpReSS: サポート会話のための暗黙のレコメンダシステム
• Authors: Omri Haller, Yair Meidan, Dudu Mimran, Yuval Elovici, Asaf Shabtai,
• Abstract要約: ImpReSSは、顧客サポート会話用に設計された暗黙のレコメンデーションシステムである。 従来のCRSとは異なり、ImpReSSは完全に暗黙的に機能し、ユーザの購入意図の仮定に依存しない。 ImpReSSのSPC推奨能力に関する実証的評価は有望な結果である。
• 参考スコア（独自算出の注目度）: 24.312198733476063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Following recent advancements in large language models (LLMs), LLM-based chatbots have transformed customer support by automating interactions and providing consistent, scalable service. While LLM-based conversational recommender systems (CRSs) have attracted attention for their ability to enhance the quality of recommendations, limited research has addressed the implicit integration of recommendations within customer support interactions. In this work, we introduce ImpReSS, an implicit recommender system designed for customer support conversations. ImpReSS operates alongside existing support chatbots, where users report issues and chatbots provide solutions. Based on a customer support conversation, ImpReSS identifies opportunities to recommend relevant solution product categories (SPCs) that help resolve the issue or prevent its recurrence -- thereby also supporting business growth. Unlike traditional CRSs, ImpReSS functions entirely implicitly and does not rely on any assumption of a user's purchasing intent. Our empirical evaluation of ImpReSS's ability to recommend relevant SPCs that can help address issues raised in support conversations shows promising results, including an MRR@1 (and recall@3) of 0.72 (0.89) for general problem solving, 0.82 (0.83) for information security support, and 0.85 (0.67) for cybersecurity troubleshooting. To support future research, our data and code will be shared upon request.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩に続いて、LLMベースのチャットボットは、インタラクションの自動化と一貫性のあるスケーラブルなサービスを提供することによって、顧客サポートを変革した。 LLMベースの会話レコメンデーションシステム(CRS)は、レコメンデーションの質を高める能力に注目されているが、限定的な研究はカスタマーサポートのインタラクションにおけるレコメンデーションの暗黙の統合に対処している。 本稿では,顧客サポート会話のための暗黙のレコメンデーションシステムであるImpReSSを紹介する。 ImpReSSは既存のサポートチャットボットと連携して動作し、ユーザーは問題を報告し、チャットボットはソリューションを提供する。 ImpReSSは顧客サポートの会話に基づいて、問題の解決や再発防止に役立つソリューション製品カテゴリ(SPC)を推奨する機会を特定します。 従来のCRSとは異なり、ImpReSSは完全に暗黙的に機能し、ユーザの購入意図の仮定に依存しない。 ImpReSSがサポート会話で提起された問題に対処できる関連SPCを推薦する能力に関する実証的な評価は、一般的な問題解決のためのMRR@1(とリコール@3)、情報セキュリティのサポートのための0.82(0.83)、サイバーセキュリティのトラブルシューティングのための0.85(0.67)など、有望な結果を示している。 今後の研究を支援するため、リクエストに応じてデータとコードを共有します。

関連論文リスト

• 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)
• RAG based Question-Answering for Contextual Response Prediction System [0.4660328753262075]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて汎用性を示している。 Retrieval Augmented Generation (RAG)は、この課題に対処するための有望な技術として登場した。 本稿では,産業用ユースケースにRAG機能を備えたLCMを用いたエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-05T17:14:23Z)
• 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)
• 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)
• Intent Recognition in Conversational Recommender Systems [0.0]
  会話における入力発話を文脈化するためのパイプラインを導入する。 次に、逆機能エンジニアリングを活用して、コンテキスト化された入力と学習モデルをリンクして、意図認識をサポートするための次のステップを踏み出します。
  論文  参考訳（メタデータ） (2022-12-06T11:02:42Z)
• Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions [60.87845704495664]
  本稿では、チャットベースのカスタマーサポートのインタラクションにのみ依存して、個々のユーザの推薦決定を予測するフレームワークを提案する。 ケーススタディでは、ラテンアメリカの大手電子商取引会社の金融分野における16.4kのユーザ数と48.7kの顧客サポートに関する会話を分析した。 以上の結果から,CS会話のメッセージワイドな感情進化のみに基づいて,ユーザが製品やサービスを推薦する可能性を予測することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-08T00:43:36Z)
• 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)
• Reciprocal Recommender Systems: Analysis of State-of-Art Literature, Challenges and Opportunities towards Social Recommendation [14.944946561487535]
  Reciprocal Recommender System (RRS)は、データ駆動型パーソナライズされた意思決定支援ツールである。 RRSは、ユーザの好み、ニーズ、行動に基づいて、ユーザ関連のデータを処理し、フィルタリングし、推奨する。 本稿では,RSのアルゴリズム,融合プロセス,基礎的特徴に着目し,現状のRS研究を要約する。
  論文  参考訳（メタデータ） (2020-07-17T09:48:46Z)

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。