論文の概要: Synthetic Dialogue Generation for Interactive Conversational Elicitation & Recommendation (ICER)
- arxiv url: http://arxiv.org/abs/2510.02331v1
- Date: Fri, 26 Sep 2025 03:53:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.003818
- Title: Synthetic Dialogue Generation for Interactive Conversational Elicitation & Recommendation (ICER)
- Title（参考訳）: 対話型対話型引用・レコメンデーション(ICER)のための合成対話生成
- Authors: Moonkyung Ryu, Chih-Wei Hsu, Yinlam Chow, Mohammad Ghavamzadeh, Craig Boutilier,
- Abstract要約: 本研究では,行動シミュレータとLM-promptingを用いた自然な対話を生成する手法を開発した。
提案手法は,好みの推論とサンプルのクオリティを併用した,大規模でオープンソースのCRSデータセットを作成したものである。
- 参考スコア（独自算出の注目度）: 29.20001042457133
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While language models (LMs) offer great potential for conversational recommender systems (CRSs), the paucity of public CRS data makes fine-tuning LMs for CRSs challenging. In response, LMs as user simulators qua data generators can be used to train LM-based CRSs, but often lack behavioral consistency, generating utterance sequences inconsistent with those of any real user. To address this, we develop a methodology for generating natural dialogues that are consistent with a user's underlying state using behavior simulators together with LM-prompting. We illustrate our approach by generating a large, open-source CRS data set with both preference elicitation and example critiquing. Rater evaluation on some of these dialogues shows them to exhibit considerable consistency, factuality and naturalness.
- Abstract（参考訳）: 言語モデル(LM)は会話レコメンデーションシステム(CRS)に大きな可能性を秘めているが、公開CRSデータの正確さは、CRSのための微調整LMを困難にしている。
これに対し、ユーザシミュレーターとしてのLMは、擬似データ生成器をLMベースのCRSのトレーニングに使用することができるが、動作の一貫性が欠如しており、実際のユーザと矛盾する発話シーケンスを生成する。
そこで本研究では,行動シミュレータとLM-promptingを併用した動作シミュレータを用いて,ユーザの動作状態に整合した自然な対話を生成する手法を開発した。
提案手法は,好みの推論とサンプルのクオリティを併用した,大規模でオープンソースのCRSデータセットを作成したものである。
これらの対話のいくつかに対するラター評価は、相当な一貫性、事実性、自然性を示すことを示している。
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) - How Reliable is Your Simulator? Analysis on the Limitations of Current LLM-based User Simulators for Conversational Recommendation [14.646529557978512]
本稿では,対話型レコメンダシステムのためのユーザシミュレータ構築におけるLarge Language Modelsの使用制限について分析する。
会話履歴やユーザシミュレータの応答で発生するデータ漏洩は,評価結果を膨らませる結果となる。
そこで我々はSimpleUserSimを提案する。
論文 参考訳（メタデータ） (2024-03-25T04:21:06Z) - 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) - 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) - 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) - 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)
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。