論文の概要: ReGeS: Reciprocal Retrieval-Generation Synergy for Conversational Recommender Systems

• arxiv url: http://arxiv.org/abs/2509.21371v1
• Date: Mon, 22 Sep 2025 17:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.880479
• Title: ReGeS: Reciprocal Retrieval-Generation Synergy for Conversational Recommender Systems
• Title（参考訳）: ReGeS:会話レコメンダシステムのための相互検索-生成シナジー
• Authors: Dayu Yang, Hui Fang,
• Abstract要約: ReGeSは、逆のRetrieval-Generation Synergyフレームワークであり、ジェネレーション強化された検索と検索強化された生成を統一する。 ReGeSは、知識集約型CRSタスクに対する相互シナジーの有効性を実証し、推奨精度で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 5.2284572339698645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Connecting conversation with external domain knowledge is vital for conversational recommender systems (CRS) to correctly understand user preferences. However, existing solutions either require domain-specific engineering, which limits flexibility, or rely solely on large language models, which increases the risk of hallucination. While Retrieval-Augmented Generation (RAG) holds promise, its naive use in CRS is hindered by noisy dialogues that weaken retrieval and by overlooked nuances among similar items. We propose ReGeS, a reciprocal Retrieval-Generation Synergy framework that unifies generation-augmented retrieval to distill informative user intent from conversations and retrieval-augmented generation to differentiate subtle item features. This synergy obviates the need for extra annotations, reduces hallucinations, and simplifies continuous updates. Experiments on multiple CRS benchmarks show that ReGeS achieves state-of-the-art performance in recommendation accuracy, demonstrating the effectiveness of reciprocal synergy for knowledge-intensive CRS tasks.
• Abstract（参考訳）: 会話を外部のドメイン知識と結びつけることは、会話レコメンデーションシステム(CRS)がユーザの好みを正しく理解するために不可欠である。 しかし、既存のソリューションは柔軟性を制限するドメイン固有のエンジニアリングを必要とするか、あるいは大きな言語モデルにのみ依存しているため、幻覚のリスクが高まる。 Retrieval-Augmented Generation (RAG) は約束を守っているが、CRSにおけるナイーブな使用は、検索を弱めるノイズダイアログや、類似の項目で見過ごされるニュアンスによって妨げられている。 本稿では,ReGeSを提案する。ReGeSは,対話から情報的ユーザインテントを抽出し,微妙な項目の特徴を識別する。 このシナジーは追加のアノテーションの必要性を排除し、幻覚を減らし、継続的な更新を単純化する。 複数のCRSベンチマーク実験により、ReGeSは、知識集約型CRSタスクに対する相互相乗効果を実証し、推奨精度で最先端のパフォーマンスを達成することが示された。

関連論文リスト

• CESRec: Constructing Pseudo Interactions for Sequential Recommendation via Conversational Feedback [39.53651863631003]
  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。
  論文  参考訳（メタデータ） (2025-09-11T10:56:40Z)
• Graph Retrieval-Augmented LLM for Conversational Recommendation Systems [52.35491420330534]
  G-CRS(Graph Retrieval-Augmented Large Language Model for Conversational Recommender Systems)は、グラフ検索強化世代とテキスト内学習を組み合わせた学習自由フレームワークである。 G-CRSは、タスク固有のトレーニングを必要とせず、既存の手法よりも優れたレコメンデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T03:56:22Z)
• Unanswerability Evaluation for Retrieval Augmented Generation [74.3022365715597]
  UAEval4RAGは、RAGシステムが解答不能なクエリを効果的に処理できるかどうかを評価するために設計されたフレームワークである。 我々は、6つの未解決カテゴリを持つ分類を定義し、UAEval4RAGは、多様で挑戦的なクエリを自動的に合成する。
  論文  参考訳（メタデータ） (2024-12-16T19:11:55Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)
• PICK: Polished & Informed Candidate Scoring for Knowledge-Grounded Dialogue Systems [59.1250765143521]
  現在の知識接地対話システムは、生成された応答を人間に好まれる品質に合わせるのに失敗することが多い。 我々は,世代別再描画フレームワークであるPolseed & Informed Candidate Scoring (PICK)を提案する。 対話履歴に関連性を維持しつつ,より忠実な応答を生成するためのPICKの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-19T08:27:09Z)
• Conversational Recommendation as Retrieval: A Simple, Strong Baseline [4.737923227003888]
  会話レコメンデーションシステム(CRS)は,自然言語会話を通じて適切な項目をユーザに推薦することを目的としている。 ほとんどのCRSアプローチは、これらの会話によって提供されるシグナルを効果的に利用しない。 CRS項目推薦タスクに対して、代替情報検索(IR)スタイルのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-23T06:21:31Z)
• EGCR: Explanation Generation for Conversational Recommendation [7.496434082286226]
  対話エージェントがなぜ行動を起こすのかを説明するための説明文を生成することに基づく会話推薦のための説明生成(EGCR)。 EGCRはユーザレビューを取り入れて項目表現を強化し、会話全体の情報性を高める。 EGCRを1つのベンチマークの会話推薦データセット上で評価し、他の最先端技術モデルと比較して、推奨精度と会話品質の両方で優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-08-17T02:30:41Z)
• KECRS: Towards Knowledge-Enriched Conversational Recommendation System [50.0292306485452]
  chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。 外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。 KECRS(Knowledge-Enriched Conversational Recommendation System)の提案 大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-05-18T03:52:06Z)

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。