論文の概要: CESRec: Constructing Pseudo Interactions for Sequential Recommendation via Conversational Feedback

• arxiv url: http://arxiv.org/abs/2509.09342v1
• Date: Thu, 11 Sep 2025 10:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.344188
• Title: CESRec: Constructing Pseudo Interactions for Sequential Recommendation via Conversational Feedback
• Title（参考訳）: CESRec:会話フィードバックによるシークエンシャルレコメンデーションのための擬似インタラクションの構築
• Authors: Yifan Wang, Shen Gao, Jiabao Fang, Rui Yan, Billy Chiu, Shuo Shang,
• Abstract要約: 本稿では,SRS(Sequential Recommendation Systems)の長期的嗜好モデリングと,CRS(Conversational Recommendation Systems)のリアルタイム選好推論を統合した新しいフレームワークを提案する。 本稿では,会話のフィードバックを解析し,長期とリアルタイムの嗜好をシームレスに組み合わせた擬似相互作用シーケンスを生成することによって,ユーザの歴史的相互作用シーケンスを動的に更新する意味に基づく擬似相互作用構築を提案する。
• 参考スコア（独自算出の注目度）: 39.53651863631003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential Recommendation Systems (SRS) have become essential in many real-world applications. However, existing SRS methods often rely on collaborative filtering signals and fail to capture real-time user preferences, while Conversational Recommendation Systems (CRS) excel at eliciting immediate interests through natural language interactions but neglect historical behavior. To bridge this gap, we propose CESRec, a novel framework that integrates the long-term preference modeling of SRS with the real-time preference elicitation of CRS. We introduce semantic-based pseudo interaction construction, which dynamically updates users'historical interaction sequences by analyzing conversational feedback, generating a pseudo-interaction sequence that seamlessly combines long-term and real-time preferences. Additionally, we reduce the impact of outliers in historical items that deviate from users'core preferences by proposing dual alignment outlier items masking, which identifies and masks such items using semantic-collaborative aligned representations. Extensive experiments demonstrate that CESRec achieves state-of-the-art performance by boosting strong SRS models, validating its effectiveness in integrating conversational feedback into SRS.
• Abstract（参考訳）: シーケンシャル・レコメンデーション・システム(SRS)は多くの実世界のアプリケーションで必須となっている。 しかし、既存のSRS手法は協調的なフィルタリング信号に頼り、リアルタイムのユーザの好みを捉えるのに失敗することが多いが、Conversational Recommendation Systems (CRS) は自然言語の相互作用を通じて直接の関心を引き出すのに優れているが、歴史的行動は無視する。 このギャップを埋めるために,SRSの長期嗜好モデリングとCRSのリアルタイム選好推論を統合する新しいフレームワークであるCESRecを提案する。 本稿では,会話のフィードバックを解析し,長期とリアルタイムの嗜好をシームレスに組み合わせた擬似相互作用シーケンスを生成することによって,ユーザの歴史的相互作用シーケンスを動的に更新する意味に基づく擬似相互作用構築を提案する。 さらに、ユーザ中心の嗜好から逸脱する歴史的項目における外れ値の影響を、セマンティック・コラボレーティブ・アライメント・アライメント・表現を用いて識別・マスキングする2つのアライメント・アライメント・アライメントアイテムマスキングを提案することにより軽減する。 大規模な実験により、CESRecは強力なSRSモデルを強化し、会話フィードバックをSRSに組み込むことの有効性を検証することで、最先端のパフォーマンスを実現している。

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)
• LLMSeR: Enhancing Sequential Recommendation via LLM-based Data Augmentation [9.190184562550384]
  SRS(Sequential Recommender Systems)がオンラインプラットフォームの基礎となり、ユーザの過去のインタラクションデータを活用して、次の潜在的なエンゲージメントを予測する。 現在の手法では、協調的な信号の欠如や幻覚現象の出現など、障害に遭遇している。 LLMSeRは,Large Language Models (LLMs) を用いて擬似プライオリティアイテムを生成する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2025-03-16T15:32:30Z)
• Stop Playing the Guessing Game! Target-free User Simulation for Evaluating Conversational Recommender Systems [15.481944998961847]
  PEPPERは、実際のユーザインタラクション履歴とレビューから構築された、ターゲットフリーなユーザシミュレータによる評価プロトコルである。 PEPPERは、単純な推測ゲームに陥ることなく、現実的なユーザ-CRS対話を可能にする。 PEPPERは、CRSの嗜好誘発能力を包括的に評価するための詳細な尺度を提示する。
  論文  参考訳（メタデータ） (2024-11-25T07:36:20Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models [115.7508325840751]
  近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。 本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。 LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:12:43Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)

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。