論文の概要: Know Your Users! Estimating User Domain Knowledge in Conversational Recommenders

• arxiv url: http://arxiv.org/abs/2512.13173v1
• Date: Mon, 15 Dec 2025 10:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.623149
• Title: Know Your Users! Estimating User Domain Knowledge in Conversational Recommenders
• Title（参考訳）: ユーザを知る!会話レコメンダにおけるユーザドメイン知識の推定
• Authors: Ivica Kostric, Ujwal Gadiraju, Krisztian Balog,
• Abstract要約: 理想的な会話レコメンデータシステム(CRS)は、熟練したセールスパーソンのように振る舞い、その言語と提案を各ユーザの専門知識レベルに適応させる。 現在のシステムはすべてのユーザを専門家として扱い、ドメインに不慣れなユーザに対して、フラストレーションと非効率なインタラクションをもたらす。 会話からユーザドメイン知識を推定し、CRSがユーザニーズをよりよく理解し、対話をパーソナライズすることを可能にする。
• 参考スコア（独自算出の注目度）: 25.485305905415345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ideal conversational recommender system (CRS) acts like a savvy salesperson, adapting its language and suggestions to each user's level of expertise. However, most current systems treat all users as experts, leading to frustrating and inefficient interactions when users are unfamiliar with a domain. Systems that can adapt their conversational strategies to a user's knowledge level stand to offer a much more natural and effective experience. To make a step toward such adaptive systems, we introduce a new task: estimating user domain knowledge from conversations, enabling a CRS to better understand user needs and personalize interactions. A key obstacle to developing such adaptive systems is the lack of suitable data; to our knowledge, no existing dataset captures the conversational behaviors of users with varying levels of domain knowledge. Furthermore, in most dialogue collection protocols, users are free to express their own preferences, which tends to concentrate on popular items and well-known features, offering little insight into how novices explore or learn about unfamiliar features. To address this, we design a game-based data collection protocol that elicits varied expressions of knowledge, release the resulting dataset, and provide an initial analysis to highlight its potential for future work on user-knowledge-aware CRS.
• Abstract（参考訳）: 理想的な会話レコメンデーションシステム(CRS)は、熟練したセールスパーソンのように振舞い、その言語と提案を各ユーザの専門知識レベルに適応させる。 しかしながら、現在のシステムのほとんどは、すべてのユーザを専門家として扱い、ドメインに不慣れなユーザに対して、フラストレーションと非効率なインタラクションをもたらします。 会話の戦略をユーザーの知識レベルに適応できるシステムは、より自然で効果的な体験を提供する。 このような適応システムに向けて,ユーザドメインの知識を会話から推定し,CRSがユーザニーズをよりよく理解し,対話をパーソナライズする,という新たなタスクを導入する。 このような適応システムを開発する上で重要な障害は、適切なデータの欠如である。 さらに、ほとんどの対話収集プロトコルでは、ユーザーは自分の好みを自由に表現でき、人気アイテムやよく知られた機能に集中する傾向があり、初心者が不慣れな機能の探索や学習についてほとんど洞察を得られない。 そこで我々は,知識の多様な表現を取り入れたゲームベースのデータ収集プロトコルを設計し,その結果のデータセットを公開し,ユーザ認識型CRSにおける今後の研究の可能性を明らかにするための初期分析を行う。

関連論文リスト

• Enhancing User-Oriented Proactivity in Open-Domain Dialogues with Critic Guidance [35.15965694815852]
  オープンドメイン対話システムは自然な会話を生み出すことを目的としている。 既存の大きな言語モデル(LLM)は、ユーザのチャットの好みを積極的に理解できない。 ユーザ指向のプロアクティブ性を高めるために,ユーザ指向プロアクティブ(UPC)を提案する。
  論文  参考訳（メタデータ） (2025-05-18T09:59:22Z)
• Creating General User Models from Computer Use [53.59999173952482]
  本稿では,コンピュータとのインタラクションを観察することでユーザについて学習する汎用ユーザモデル(GUM)のアーキテクチャを提案する。 GUMは、ユーザ(例えばデバイスのスクリーンショット)の非構造化観察を入力として受け取り、ユーザの知識と好みをキャプチャする信頼度重み付け命題を構築する。
  論文  参考訳（メタデータ） (2025-05-16T04:00:31Z)
• 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)
• 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)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じ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ことを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• User-Centric Conversational Recommendation with Multi-Aspect User Modeling [47.310579802092384]
  CRSタスクにおけるユーザの嗜好学習の本質に回帰するユーザ中心会話推薦(UCCR)モデルを提案する。 複数視点の選好マッパーを用いて,現在および歴史的セッションにおける異なる視点の内在的相関を学習する。 学習したマルチアスペクトのマルチビューユーザ嗜好は、レコメンデーションと対話生成に使用される。
  論文  参考訳（メタデータ） (2022-04-20T07:08:46Z)
• Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
  対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。 KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。 最終的には、正確な推奨は会話の順番を少なくして生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:58:10Z)
• A Survey on Conversational Recommender Systems [11.319431345375751]
  会話レコメンデータシステム(CRS)は異なるアプローチを採用し、よりリッチなインタラクションをサポートする。 CRSに対する関心は、ここ数年で大幅に増加した。 この開発は主に自然言語処理の分野における著しい進歩によるものである。
  論文  参考訳（メタデータ） (2020-04-01T18:00:47Z)

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。