論文の概要: Refining Text Generation for Realistic Conversational Recommendation via Direct Preference Optimization

• arxiv url: http://arxiv.org/abs/2508.19918v3
• Date: Fri, 29 Aug 2025 02:12:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 11:39:19.118032
• Title: Refining Text Generation for Realistic Conversational Recommendation via Direct Preference Optimization
• Title（参考訳）: 直接選好最適化によるリアルな会話レコメンデーションのためのテキスト生成
• Authors: Manato Tajiri, Michimasa Inaba,
• Abstract要約: Conversational Recommender Systems (CRS) は、自然な対話を通じてユーザの好みを抽出し、適切なアイテムレコメンデーションを提供することを目的としている。 現在のCRSは、短いセッションでアイテムを素早く推奨することで、現実的な人間のインタラクションから逸脱することが多い。 本研究は,対話履歴と項目推薦情報から対話要約を生成するために,LLM(Large Language Models)を活用することで,このギャップに対処する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conversational Recommender Systems (CRSs) aim to elicit user preferences via natural dialogue to provide suitable item recommendations. However, current CRSs often deviate from realistic human interactions by rapidly recommending items in brief sessions. This work addresses this gap by leveraging Large Language Models (LLMs) to generate dialogue summaries from dialogue history and item recommendation information from item description. This approach enables the extraction of both explicit user statements and implicit preferences inferred from the dialogue context. We introduce a method using Direct Preference Optimization (DPO) to ensure dialogue summary and item recommendation information are rich in information crucial for effective recommendations. Experiments on two public datasets validate our method's effectiveness in fostering more natural and realistic conversational recommendation processes. Our implementation is publicly available at: https://github.com/UEC-InabaLab/Refining-LLM-Text
• Abstract（参考訳）: Conversational Recommender Systems (CRS) は、自然な対話を通じてユーザの好みを抽出し、適切なアイテムレコメンデーションを提供することを目的としている。 しかしながら、現在のCRSは、短いセッションでアイテムを素早く推奨することで、現実的な人間のインタラクションから逸脱することが多い。 本研究は,対話履歴からの対話要約と項目記述からの項目推薦情報を生成するために,LLM(Large Language Models)を活用することで,このギャップに対処する。 このアプローチにより、対話コンテキストから推測される明示的なユーザステートメントと暗黙的な嗜好の両方を抽出できる。 提案手法では,対話の要約や項目推薦情報が効果的なレコメンデーションに不可欠な情報に富むことを保証するために,DPO(Direct Preference Optimization)を用いた手法を提案する。 2つの公開データセットの実験は、より自然で現実的な会話レコメンデーションプロセスの育成における我々の方法の有効性を検証する。 私たちの実装は、https://github.com/UEC-InabaLab/Refining-LLM-Textで公開されています。

関連論文リスト

• STEP: Stepwise Curriculum Learning for Context-Knowledge Fusion in Conversational Recommendation [18.833994388759326]
  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。
  論文  参考訳（メタデータ） (2025-08-14T14:08:21Z)
• 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)
• Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation [62.019437228000776]
  本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。 人間の収集したデータセットで100万以上の多様な会話を生成します。
  論文  参考訳（メタデータ） (2023-01-27T01:54:16Z)
• 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)
• Towards Conversational Recommendation over Multi-Type Dialogs [78.52354759386296]
  ボットは、非推奨ダイアログからレコメンデーションダイアログへの会話を積極的に自然に導くことができる。 この課題の研究を容易にするために,人間と人による中国語対話データセットemphDuRecDial(約10k対話,約156k発話)を作成する。 各ダイアログでは、リコメンデータが積極的にマルチタイプのダイアログを導き、レコメンデーションターゲットにアプローチし、リッチなインタラクション動作で複数のレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-05-08T11:01:21Z)

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。