論文の概要: On Mitigating Data Sparsity in Conversational Recommender Systems

• arxiv url: http://arxiv.org/abs/2507.00479v1
• Date: Tue, 01 Jul 2025 06:54:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.441261
• Title: On Mitigating Data Sparsity in Conversational Recommender Systems
• Title（参考訳）: 会話レコメンダシステムにおけるデータスパリティの緩和について
• Authors: Sixiao Zhang, Mingrui Liu, Cheng Long, Wei Yuan, Hongxu Chen, Xiangyu Zhao, Hongzhi Yin,
• Abstract要約: 会話レコメンデータシステム(CRS)は、対話中のテキスト情報を通じてユーザの好みをキャプチャする。 対話空間は広大で言語的に多様であり、アイテム空間は長い尾とスパース分布を示す。 既存の手法では,(1)リッチテキストの活用による多様な対話表現の一般化,(2)重度の疎度下での情報表現の学習に苦慮している。
• 参考スコア（独自算出の注目度）: 69.70761335240738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational recommender systems (CRSs) capture user preference through textual information in dialogues. However, they suffer from data sparsity on two fronts: the dialogue space is vast and linguistically diverse, while the item space exhibits long-tail and sparse distributions. Existing methods struggle with (1) generalizing to varied dialogue expressions due to underutilization of rich textual cues, and (2) learning informative item representations under severe sparsity. To address these problems, we propose a CRS model named DACRS. It consists of three modules, namely Dialogue Augmentation, Knowledge-Guided Entity Modeling, and Dialogue-Entity Matching. In the Dialogue Augmentation module, we apply a two-stage augmentation pipeline to augment the dialogue context to enrich the data and improve generalizability. In the Knowledge-Guided Entity Modeling, we propose a knowledge graph (KG) based entity substitution and an entity similarity constraint to enhance the expressiveness of entity embeddings. In the Dialogue-Entity Matching module, we fuse the dialogue embedding with the mentioned entity embeddings through a dialogue-guided attention aggregation to acquire user embeddings that contain both the explicit and implicit user preferences. Extensive experiments on two public datasets demonstrate the state-of-the-art performance of DACRS.
• Abstract（参考訳）: 会話レコメンデータシステム(CRS)は、対話中のテキスト情報を通じてユーザの好みをキャプチャする。 対話空間は広大で言語的に多様であり、アイテム空間は細長い分布を示す。 既存の手法では,(1)リッチテキストの活用による多様な対話表現の一般化,(2)重度の疎度下での情報表現の学習に苦慮している。 これらの問題に対処するために,DACRSと呼ばれるCRSモデルを提案する。 ダイアログ拡張、知識誘導エンティティモデリング、対話エンティティマッチングという3つのモジュールで構成されている。 対話拡張モジュールでは、2段階拡張パイプラインを用いて対話コンテキストを拡張し、データを強化し、一般化性を向上させる。 本稿では,知識ガイド型エンティティモデリングにおいて,知識グラフに基づくエンティティ置換と,エンティティ埋め込みの表現性を高めるためのエンティティ類似性制約を提案する。 対話型エンティティマッチングモジュールでは,対話誘導型アテンションアグリゲーションを通じて,上記のエンティティの埋め込みと対話を融合させ,明示的および暗黙的なユーザの好みを含むユーザ埋め込みを取得する。 2つの公開データセットに対する大規模な実験は、DACRSの最先端性能を示している。

関連論文リスト

• Beyond Whole Dialogue Modeling: Contextual Disentanglement for Conversational Recommendation [22.213312621287482]
  本稿では,会話レコメンデータシステムを改善するために,文脈のゆがみを導入する新しいモデルを提案する。 DisenCRSは、自己監督的コントラスト的アンタングルメントと反ファクト的推論アンタングルメントを含む、二重のアンタングルメントフレームワークを採用している。 2つの広く使われている公開データセットの実験結果は、DisenCRSが既存の会話レコメンデーションモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-04-24T10:33:26Z)
• InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models [9.611864685207056]
  本稿では,識別的枠組みから大規模言語モデル(LLM)に基づく生成的枠組みへ,感情認識タスクを再構築するための新しいアプローチであるインストラクタCを提案する。 InstructERCは、3つの重要な貢献をしている:(1)モデルがマルチグラニュラリティ対話監視情報を明示的に統合するのに役立つ単純で効果的なテンプレートモジュール、(2)話者識別と感情予測タスクという2つの追加の感情アライメントタスクを導入し、会話における対話の役割の関係と将来の感情傾向を暗黙的にモデル化する。
  論文  参考訳（メタデータ） (2023-09-21T09:22:07Z)
• Multi-grained Hypergraph Interest Modeling for Conversational Recommendation [75.65483522949857]
  複雑な履歴データの下でユーザの興味を捉えるために, マルチグラデーション・ハイパーグラフ・インフォメーション・モデリング手法を提案する。 提案手法では,まず,ユーザの過去の対話セッションをモデル化し,セッションベースハイパーグラフを作成するためにハイパーグラフ構造を用いる。 さらに,2種類のハイパーグラフに対して多粒度ハイパーグラフの畳み込みを行い,拡張表現を用いて関心を意識したCRSを開発する。
  論文  参考訳（メタデータ） (2023-05-04T13:13:44Z)
• Variational Reasoning over Incomplete Knowledge Graphs for Conversational Recommendation [48.70062671767362]
  不完全KGs会話レコメンダ(VRICR)に対する変分推論を提案する。 我々のキーとなる考え方は、CRSを伴って自然に大きな対話コーパスを組み込んで、不完全なKGを強化することである。 また、KGsの対話特化部分グラフを適応的知識グラフの分類的先行を持つ潜在変数として表す。
  論文  参考訳（メタデータ） (2022-12-22T17:02:21Z)
• Manual-Guided Dialogue for Flexible Conversational Agents [84.46598430403886]
  対話データを効率的に構築し、利用する方法や、さまざまなドメインにモデルを大規模にデプロイする方法は、タスク指向の対話システムを構築する上で重要な問題である。 エージェントは対話とマニュアルの両方からタスクを学習する。 提案手法は,詳細なドメインオントロジーに対する対話モデルの依存性を低減し,様々なドメインへの適応をより柔軟にする。
  論文  参考訳（メタデータ） (2022-08-16T08:21:12Z)
• CREAD: Combined Resolution of Ellipses and Anaphora in Dialogues [14.66729951223073]
  アナフォラとエリプスは対話における2つの一般的な現象である。 伝統的に、アナフォラはコア参照解決とクエリ書き換えによる楕円によって解決される。 本稿では,コア参照解決とクエリ書き換えをモデリングする新しい共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:17:26Z)
• 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。