論文の概要: Understanding User Preferences for Interaction Styles in Conversational Recommender Systems: The Predictive Role of System Qualities, User Experience, and Traits

• arxiv url: http://arxiv.org/abs/2508.02328v1
• Date: Mon, 04 Aug 2025 11:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.318241
• Title: Understanding User Preferences for Interaction Styles in Conversational Recommender Systems: The Predictive Role of System Qualities, User Experience, and Traits
• Title（参考訳）: 対話型レコメンダシステムにおけるインタラクションスタイルのユーザ嗜好の理解:システム品質,ユーザエクスペリエンス,トラストの予測的役割
• Authors: Raj Mahmud, Shlomo Berkovsky, Mukesh Prasad, A. Baki Kocaballi,
• Abstract要約: 本研究では,ユーザインタラクションの嗜好を形成する要因について検討する。 その結果, 探索的相互作用の嗜好は, 楽しみ, 有用性, 新規性, 会話品質によって予測された。 これらの知見は、感情、認知、特性レベルの予測をCRSユーザモデリングに統合し、自律性に敏感で、価値に適応した対話設計を通知する。
• 参考スコア（独自算出の注目度）: 8.549385781670473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational Recommender Systems (CRSs) deliver personalised recommendations through multi-turn natural language dialogue and increasingly support both task-oriented and exploratory interactions. Yet, the factors shaping user interaction preferences remain underexplored. In this within-subjects study (\(N = 139\)), participants experienced two scripted CRS dialogues, rated their experiences, and indicated the importance of eight system qualities. Logistic regression revealed that preference for the exploratory interaction was predicted by enjoyment, usefulness, novelty, and conversational quality. Unexpectedly, perceived effectiveness was also associated with exploratory preference. Clustering uncovered five latent user profiles with distinct dialogue style preferences. Moderation analyses indicated that age, gender, and control preference significantly influenced these choices. These findings integrate affective, cognitive, and trait-level predictors into CRS user modelling and inform autonomy-sensitive, value-adaptive dialogue design. The proposed predictive and adaptive framework applies broadly to conversational AI systems seeking to align dynamically with evolving user needs.
• Abstract（参考訳）: Conversational Recommender Systems (CRS)はマルチターン自然言語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し、タスク指向と探索的インタラクションの両方をますますサポートしている。 しかし、ユーザーインタラクションの好みを形作る要因はいまだ解明されていない。 この内的対象研究(\(N = 139\)では、参加者は2つのスクリプト化されたCRS対話を経験し、経験を評価し、8つのシステム品質の重要性を示した。 ロジスティック回帰では、探索的相互作用の嗜好は、楽しみ、有用性、新規性、会話品質によって予測された。 予期せぬ有効性も探索的嗜好と関係していた。 クラスタリングにより、対話スタイルの好みが異なる5つの潜在ユーザプロファイルが明らかになった。 モデレーション分析では、年齢、性別、コントロールの嗜好がこれらの選択に大きく影響した。 これらの知見は、感情、認知、特性レベルの予測をCRSユーザモデリングに統合し、自律性に敏感で、価値に適応した対話設計を通知する。 提案された予測適応フレームワークは、進化するユーザニーズと動的に一致しようとする会話型AIシステムに広く適用される。

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)
• Should We Tailor the Talk? Understanding the Impact of Conversational Styles on Preference Elicitation in Conversational Recommender Systems [19.830560938115436]
  本研究では,会話スタイルの違いが会話推薦システム(CRS)の嗜好評価,タスクパフォーマンス,ユーザ満足度に及ぼす影響について検討した。 以上の結果から,ユーザの専門知識に基づく会話戦略の適応と,スタイル間の柔軟性の実現により,CRSにおけるユーザの満足度とレコメンデーションの有効性が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-04-17T17:01:17Z)
• Exploring the Impact of Personality Traits on Conversational Recommender Systems: A Simulation with Large Language Models [70.180385882195]
  本稿では,対話型レコメンダシステム(CRS)のためのパーソナリティを考慮したユーザシミュレーションを提案する。 ユーザエージェントはカスタマイズ可能な性格特性と嗜好を誘導し、システムエージェントはCRS内の現実的な相互作用をシミュレートする説得能力を有する。 実験により,現在最先端のLCMは,特定の性格特性に適合した多様なユーザ応答を効果的に生成できることが示された。
  論文  参考訳（メタデータ） (2025-04-09T13:21:17Z)
• Which Factors Predict the Chat Experience of a Natural Language Generation Dialogue Service? [0.0]
  自然言語生成ダイアログシステムにおけるチャット体験を予測するための概念モデルを評価する。 対話におけるユーザの好意性と一貫性,感情,類似性は,ユーザのチャット体験の肯定的な予測要因である。 アダプティブダイアログシステムは、収集したデータを用いて、モデル内の因子を推測し、これらの要因を通してユーザのチャット体験を予測し、プロンプトを調整することでそれを最適化する。
  論文  参考訳（メタデータ） (2023-04-21T07:29:07Z)
• Customized Conversational Recommender Systems [45.84713970070487]
  会話レコメンデータシステム(CRS)は、ユーザの現在の意図を捉え、リアルタイムなマルチターン対話によるレコメンデーションを提供することを目的としている。 本稿では,3つの視点からCRSモデルをカスタマイズした新しいCRSモデルであるCustomized Conversational Recommender System(CCRS)を提案する。 パーソナライズされたレコメンデーションを提供するために,対話コンテキストからユーザの現在あるきめ細かい意図を,ユーザ固有の嗜好のガイダンスで抽出する。
  論文  参考訳（メタデータ） (2022-06-30T09:45:36Z)
• 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)
• 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)
• 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。