論文の概要: STEP: Stepwise Curriculum Learning for Context-Knowledge Fusion in Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2508.10669v1
• Date: Thu, 14 Aug 2025 14:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.348085
• Title: STEP: Stepwise Curriculum Learning for Context-Knowledge Fusion in Conversational Recommendation
• Title（参考訳）: STEP:会話レコメンデーションにおける文脈知識融合のための段階的カリキュラム学習
• Authors: Zhenye Yang, Jinpeng Chen, Huan Li, Xiongnan Jin, Xuanyang Li, Junwei Zhang, Hongbo Gao, Kaimin Wei, Senzhang Wang,
• Abstract要約: 本稿では,事前学習型言語モデルを中心にした対話型レコメンデーションシステムSTEPを紹介する。 STEPはカリキュラム誘導のコンテキスト知識融合と軽量なタスク固有のプロンプトチューニングを組み合わせる。 実験の結果,STEPは2つの公開データセットの推薦精度と対話品質において,主要な手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 18.833994388759326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational recommender systems (CRSs) aim to proactively capture user preferences through natural language dialogue and recommend high-quality items. To achieve this, CRS gathers user preferences via a dialog module and builds user profiles through a recommendation module to generate appropriate recommendations. However, existing CRS faces challenges in capturing the deep semantics of user preferences and dialogue context. In particular, the efficient integration of external knowledge graph (KG) information into dialogue generation and recommendation remains a pressing issue. Traditional approaches typically combine KG information directly with dialogue content, which often struggles with complex semantic relationships, resulting in recommendations that may not align with user expectations. To address these challenges, we introduce STEP, a conversational recommender centered on pre-trained language models that combines curriculum-guided context-knowledge fusion with lightweight task-specific prompt tuning. At its heart, an F-Former progressively aligns the dialogue context with knowledge-graph entities through a three-stage curriculum, thus resolving fine-grained semantic mismatches. The fused representation is then injected into the frozen language model via two minimal yet adaptive prefix prompts: a conversation prefix that steers response generation toward user intent and a recommendation prefix that biases item ranking toward knowledge-consistent candidates. This dual-prompt scheme allows the model to share cross-task semantics while respecting the distinct objectives of dialogue and recommendation. Experimental results show that STEP outperforms mainstream methods in the precision of recommendation and dialogue quality in two public datasets.
• Abstract（参考訳）: 会話推薦システム(CRS)は,自然言語対話を通じてユーザの嗜好を積極的に捉え,高品質な項目を推薦することを目的としている。 これを実現するため、CRSはダイアログモジュールを介してユーザの好みを収集し、レコメンデーションモジュールを通じてユーザプロファイルを構築し、適切なレコメンデーションを生成する。 しかし、既存のCRSは、ユーザの好みと対話コンテキストの深いセマンティクスをキャプチャする上で、課題に直面している。 特に、外部知識グラフ(KG)情報の対話生成とレコメンデーションへの効率的な統合は、依然として迫っている問題である。 従来のアプローチでは、KG情報を直接対話コンテンツと組み合わせ、複雑なセマンティックな関係に苦しむことが多く、結果としてユーザの期待に合わないレコメンデーションが生まれる。 これらの課題に対処するために,カリキュラム誘導型コンテキスト知識融合と軽量タスク固有プロンプトチューニングを組み合わせた,事前学習型言語モデルを中心にした対話型レコメンデータSTEPを紹介する。 F-Formerは、3段階のカリキュラムを通じて、対話コンテキストと知識グラフのエンティティを段階的に整合させ、きめ細かいセマンティックミスマッチを解消する。 次に、融合表現は、2つの最小かつ適応的なプレフィックスプロンプトによって凍結言語モデルに注入される: ユーザ意図に対する応答生成を操る会話プレフィックスと、知識に一貫性のある候補に対するアイテムランク付けをバイアスするレコメンデーションプレフィックスである。 この二重プロンプト方式により、モデルは対話とレコメンデーションの異なる目的を尊重しながら、クロスタスクのセマンティクスを共有することができる。 実験の結果,STEPは2つの公開データセットの推薦精度と対話品質において,主要な手法よりも優れていた。

関連論文リスト

• On Mitigating Data Sparsity in Conversational Recommender Systems [69.70761335240738]
  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。
  論文  参考訳（メタデータ） (2025-07-01T06:54:51Z)
• 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)
• Parameter-Efficient Conversational Recommender System as a Language Processing Task [52.47087212618396]
  会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。 先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。 本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-01-25T14:07:34Z)
• Towards Unified Conversational Recommender Systems via Knowledge-Enhanced Prompt Learning [89.64215566478931]
  会話レコメンデータシステム(CRS)は,ユーザの嗜好を積極的に取り入れ,自然言語会話を通じて高品質な項目を推薦することを目的としている。 効果的なCRSを開発するためには、2つのモジュールをシームレスに統合することが不可欠である。 知識強調学習に基づく統一CRSモデルUniCRSを提案する。
  論文  参考訳（メタデータ） (2022-06-19T09:21:27Z)
• 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。