論文の概要: Interplay: Training Independent Simulators for Reference-Free Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2603.18573v1
• Date: Thu, 19 Mar 2026 07:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.009996
• Title: Interplay: Training Independent Simulators for Reference-Free Conversational Recommendation
• Title（参考訳）: Interplay: 参照自由会話推薦のための独立シミュレータのトレーニング
• Authors: Jerome Ramos, Feng Xia, Xi Wang, Shubham Chatterjee, Xiao Fu, Hossein A. Rahmani, Aldo Lipani,
• Abstract要約: 2つの独立した大規模言語モデル(LLM)を訓練する参照不要なシミュレーションフレームワークを提案する。 これらのモデルは、所定の対象アイテムにアクセスすることなくリアルタイムで相互作用するが、好みの要約やターゲット属性はアクセスしない。 このアプローチは、人間とAIの相互作用を密接に反映する、より現実的で多様な会話を生み出します。
• 参考スコア（独自算出の注目度）: 29.520574514713402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training conversational recommender systems (CRS) requires extensive dialogue data, which is challenging to collect at scale. To address this, researchers have used simulated user-recommender conversations. Traditional simulation approaches often utilize a single large language model (LLM) that generates entire conversations with prior knowledge of the target items, leading to scripted and artificial dialogues. We propose a reference-free simulation framework that trains two independent LLMs, one as the user and one as the conversational recommender. These models interact in real-time without access to predetermined target items, but preference summaries and target attributes, enabling the recommender to genuinely infer user preferences through dialogue. This approach produces more realistic and diverse conversations that closely mirror authentic human-AI interactions. Our reference-free simulators match or exceed existing methods in quality, while offering a scalable solution for generating high-quality conversational recommendation data without constraining conversations to pre-defined target items. We conduct both quantitative and human evaluations to confirm the effectiveness of our reference-free approach.
• Abstract（参考訳）: 対話推薦システム(CRS)の訓練には広範囲な対話データが必要である。 これを解決するために、研究者はシミュレーションされたユーザー・リコメンダーの会話を使った。 従来のシミュレーション手法では、1つの大きな言語モデル(LLM)を使用して、対象項目の事前の知識と会話全体を生成し、スクリプト化や人工的な対話に繋がる。 本稿では,対話型レコメンデータとして,ユーザとして,対話型レコメンデータとして,2つの独立したLLMをトレーニングする,参照不要なシミュレーションフレームワークを提案する。 これらのモデルは、所定のターゲットアイテムにアクセスすることなくリアルタイムで対話するが、好みのサマリーやターゲット属性は使用せず、レコメンダは対話を通じてユーザの好みを真に推測することができる。 このアプローチは、人間とAIの相互作用を密接に反映する、より現実的で多様な会話を生み出します。 基準のないシミュレータは、既存の手法と品質を一致させるか超えるか、一方、予め定義された対象項目に会話を拘束することなく、高品質な会話レコメンデーションデータを生成するスケーラブルなソリューションを提供する。 基準自由アプローチの有効性を確認するため,定量的評価と人的評価を行った。

関連論文リスト

• VOGUE: A Multimodal Dataset for Conversational Recommendation in Fashion [18.017186369021154]
  VOGUEは、現実的なファッションショッピングシナリオにおける60人の人間対話の新たなデータセットである。 各対話は、共有されたビジュアルカタログ、アイテムメタデータ、ユーザーファッションプロファイルと履歴、およびSeekersとAssistantsの会話後の評価と組み合わせられる。 VOGUEの初期解析では,視覚的に接地された対話の特異なダイナミクスが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-24T04:45:29Z)
• 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)
• 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)
• 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。