論文の概要: Research on Conversational Recommender System Considering Consumer Types

• arxiv url: http://arxiv.org/abs/2508.13209v1
• Date: Sat, 16 Aug 2025 15:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.656684
• Title: Research on Conversational Recommender System Considering Consumer Types
• Title（参考訳）: 消費者型を考慮した対話型レコメンダシステムに関する研究
• Authors: Yaying Luo, Hui Fang, Zhu Sun,
• Abstract要約: 本稿では,消費者型モデリングを対話レコメンデーションに統合するフレームワークを提案する。 消費者型理論に基づいて、2つの次元から派生した4つのユーザカテゴリ(依存型、効率的型、慎重型、エキスパート型)を定義する。 LastFM、Amazon-Book、Yelpの実験によると、CTCRSはレコメンデーション成功率を改善し、インタラクションのターンを減らす。
• 参考スコア（独自算出の注目度）: 6.946599241568751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational Recommender Systems (CRS) provide personalized services through multi-turn interactions, yet most existing methods overlook users' heterogeneous decision-making styles and knowledge levels, which constrains both accuracy and efficiency. To address this gap, we propose CT-CRS (Consumer Type-Enhanced Conversational Recommender System), a framework that integrates consumer type modeling into dialogue recommendation. Based on consumer type theory, we define four user categories--dependent, efficient, cautious, and expert--derived from two dimensions: decision-making style (maximizers vs. satisficers) and knowledge level (high vs. low). CT-CRS employs interaction histories and fine-tunes the large language model to automatically infer user types in real time, avoiding reliance on static questionnaires. We incorporate user types into state representation and design a type-adaptive policy that dynamically adjusts recommendation granularity, diversity, and attribute query complexity. To further optimize the dialogue policy, we adopt Inverse Reinforcement Learning (IRL), enabling the agent to approximate expert-like strategies conditioned on consumer type. Experiments on LastFM, Amazon-Book, and Yelp show that CTCRS improves recommendation success rate and reduces interaction turns compared to strong baselines. Ablation studies confirm that both consumer type modeling and IRL contribute significantly to performance gains. These results demonstrate that CT-CRS offers a scalable and interpretable solution for enhancing CRS personalization through the integration of psychological modeling and advanced policy optimization.
• Abstract（参考訳）: Conversational Recommender Systems (CRS)は、マルチターンインタラクションを通じてパーソナライズされたサービスを提供するが、既存のほとんどの方法は、ユーザの不均一な意思決定スタイルや知識レベルを見落としている。 このギャップに対処するため,消費者型モデリングを対話レコメンデーションに統合するフレームワークであるCT-CRS(Consumer Type-Enhanced Conversational Recommender System)を提案する。 消費者型理論に基づいて、意思決定スタイル(最大化者対満足度)と知識レベル(高い対低)の2つの側面から、依存、効率的、慎重、専門家の4つのカテゴリを定義した。 CT-CRSは,対話履歴と大規模言語モデルの微調整を用いて,ユーザタイプを自動的にリアルタイムで推測し,静的質問への依存を避ける。 ユーザタイプを状態表現に組み込み、リコメンデーションの粒度、多様性、属性クエリの複雑さを動的に調整する型適応ポリシーを設計する。 対話ポリシーをさらに最適化するために、我々は逆強化学習(Inverse Reinforcement Learning,IRL)を採用する。 LastFM、Amazon-Book、Yelpの実験では、CTCRSは推奨成功率を改善し、強力なベースラインと比較してインタラクションのターンを削減している。 アブレーション研究は、消費者型モデリングとIRLの両方が性能向上に大きく貢献していることを確認した。 これらの結果から,CT-CRSは心理的モデリングと高度なポリシー最適化を統合することで,CRSのパーソナライゼーションを向上するためのスケーラブルで解釈可能なソリューションを提供することが示された。

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)
• 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)
• Towards Personalized Conversational Sales Agents: Contextual User Profiling for Strategic Action [12.637812936971049]
  本稿では,一貫した会話の枠組みの中で,嗜好の誘惑,推薦,説得を統合する新しいタスクである会話販売(CSALES)について紹介する。 また,文脈的ユーザプロファイルを積極的に推測し,会話を通じて戦略的に行動を選択する対話販売エージェントであるCSIを提案する。
  論文  参考訳（メタデータ） (2025-03-28T15:49:52Z)
• Modeling Churn in Recommender Systems with Aggregated Preferences [6.261444979025644]
  本稿では,集約されたユーザ情報を活用し,混乱リスクを軽減するという2つの課題に対処するモデルを提案する。 本モデルでは,ユーザタイプに対する確率的事前確率と,各種コンテンツタイプに対する満足度を推定する。
  論文  参考訳（メタデータ） (2025-02-09T13:12:11Z)
• Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learning [5.453444582931813]
  Tri-Phase Offline Policy Learning-based Conversational Recommender System (TCRS) 本稿では,Tri-Phase Offline Policy Learning-based Conversational Recommender System (TCRS)を紹介する。
  論文  参考訳（メタデータ） (2024-08-13T10:58:29Z)
• Vague Preference Policy Learning for Conversational Recommendation [48.868921530958666]
  会話レコメンデーションシステムは通常、ユーザが明確な好みを持っていると仮定し、潜在的に過度なフィルタリングにつながる。 本稿では,Vag Preference Multi-round Conversational Recommendation (VPMCR) シナリオを紹介する。 我々の研究は、ユーザの内在する曖昧さと相対的な意思決定プロセスを調整し、現実の応用性を向上させることでCRSを前進させます。
  論文  参考訳（メタデータ） (2023-06-07T14:57:21Z)
• Improving Conversational Recommendation Systems via Counterfactual Data Simulation [73.4526400381668]
  会話推薦システム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSアプローチは、トレーニングデータの不足により、トレーニングの不十分な問題に悩まされることが多い。 我々は,CRSにおけるデータ不足の問題を緩和するため,CFCRSと呼ばれるCRSに対するCounterFactualデータシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T12:48:56Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。