論文の概要: Bridging Passive and Active: Enhancing Conversation Starter Recommendation via Active Expression Modeling

• arxiv url: http://arxiv.org/abs/2605.05855v1
• Date: Thu, 07 May 2026 08:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.627082
• Title: Bridging Passive and Active: Enhancing Conversation Starter Recommendation via Active Expression Modeling
• Title（参考訳）: ブリッジング・パッシブとアクティブ:アクティブ表現モデリングによる会話開始者推薦の強化
• Authors: Yiqing Wu, Haoming Li, Guanyu Jiang, Jiahao Liang, Yongchun Zhu, Jingwu Chen, Feng Zhang,
• Abstract要約: 大言語モデル(LLM)による会話検索は、情報検索をリアクティブなキーワードマッチングから、プロアクティブでオープンな対話へとシフトしている。 対話開始者は、ユーザが対話を開始するのに役立つパーソナライズされたクエリレコメンデーションを提供するために広くデプロイされる。 このフィードバックループ機構は、データ空間によって合成され、オープンワールドによって形成される会話探索意図の動的な性質を捉えることができないエコーチャンバーにシステムをトラップする。 本稿では,パッシブ・アクティベート・ブリッジ (PA-Bridge) を提案する。
• 参考スコア（独自算出の注目度）: 13.333516285714659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM)-driven conversational search is shifting information retrieval from reactive keyword matching to proactive, open-ended dialogues. In this context, Conversation Starters are widely deployed to provide personalized query recommendations that help users initiate dialogues. Conventionally, recommending these starters relies on a closed "exposure-click" loop. Yet, this feedback loop mechanism traps the system in an echo chamber where, compounded by data sparsity, it fails to capture the dynamic nature of conversational search intents shaped by the open world. As a result, the system skews towards popular but generic suggestions.In this work, we uncover an untapped paradigm shift to shatter this harmful feedback loop: harnessing user "free will" through active user expressions. Unlike traditional recommendations, conversational search empowers users to bypass menus entirely through manually typed queries. The open-world intents in active queries hold the key to breaking this loop. However, incorporating them is non-trivial: (1) there exists an inherent distribution shift between active queries and formulated starters. (2) Furthermore, the "non-ID-able" nature of open text renders traditional item-based popularity statistics ineffective for large-scale industrial streaming training. To this end, we propose Passive-Active Bridge (PA-Bridge), a novel framework that employs an adversarial distribution aligner to bridge the distributional gap between passively recommended starters and active expressions. Moreover, we introduce a semantic discretizer to enable the deployment of popularity debiasing algorithms. Online A/B tests on our platform, demonstrate that PA-Bridge significantly boosts the Feature Penetration Rate by 0.54% and User Active Days
• Abstract（参考訳）: 大言語モデル(LLM)による会話検索は、情報検索をリアクティブなキーワードマッチングから、プロアクティブでオープンな対話へとシフトしている。 このコンテキストでは、会話開始者は、ユーザが対話を開始するのに役立つパーソナライズされたクエリレコメンデーションを提供するために広くデプロイされます。 従来、これらのスターターを推奨するのはクローズドな"露光クリック"ループに依存していた。 しかし、このフィードバックループ機構は、データ空間によって合成され、オープンワールドによって形成される会話探索意図の動的な性質を捉えることができないエコーチャンバーにシステムをトラップする。 本研究では,この有害なフィードバックループを壊すために,アクティブなユーザ表現によるユーザ「自由意志」の活用という,未解決のパラダイムシフトを明らかにする。 従来のレコメンデーションとは異なり、会話検索はユーザーが手動で入力されたクエリーを通じてメニューを完全にバイパスすることを可能にする。 アクティブクエリにおけるオープンワールド意図は、このループを壊す鍵を握る。 1) アクティブクエリと定式化スタータの間には,固有の分散シフトが存在する。 2)オープンテキストの「非ID対応」性は,大規模産業ストリーミングトレーニングにおいて従来のアイテムベースの人気統計を非効率に表現する。 そこで我々は,受動的に推奨される開始器とアクティブな表現との分配ギャップを埋めるために,逆分布整合器を用いた新しいフレームワークであるPassive-Active Bridge (PA-Bridge)を提案する。 さらに,人気デバイアスアルゴリズムの展開を可能にする意味的離散化手法を提案する。 当社のプラットフォーム上でのオンラインA/Bテストでは,PA-Bridgeが機能浸透率を0.54%,ユーザアクティブデイを著しく向上させることが示された。

関連論文リスト

• IceBreaker for Conversational Agents: Breaking the First-Message Barrier with Personalized Starters [12.905854774408587]
  今回紹介するIceBreakerは、人間のアイスブレイクを2ステップのハンドシェイクとしてフレーム化する会話エージェントだ。 世界最大の会話エージェント製品のオンラインA/Bテストでは、IceBreakerはユーザーの活動日数を+0.184%改善し、クリックスルー率は+9.425%改善している。
  論文  参考訳（メタデータ） (2026-04-20T15:02:03Z)
• Agentic Conversational Search with Contextualized Reasoning via Reinforcement Learning [66.52010873968383]
  本稿では,RL学習を通じて学習した探索的,適応的な行動を可能にする,交互に探索と推論をインターリーブする対話エージェントを提案する。 広く使われている4つの対話型ベンチマークによる実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-19T14:55:54Z)
• 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)
• Effective and Efficient Conversation Retrieval for Dialogue State Tracking with Implicit Text Summaries [48.243879779374836]
  LLM (Large Language Models) を用いたDST (Few-shot dialogue state tracking) では,会話検索を効果的かつ効率的に行うことで,学習の迅速化を図っている。 従来は検索キーやクエリとして生の対話コンテキストを使用していた。 会話のテキスト要約に基づいて会話検索を行う。 LLMに基づく会話要約器がクエリとキー生成に採用され、効果的な内部製品探索が可能となる。
  論文  参考訳（メタデータ） (2024-02-20T14:31:17Z)
• Social Commonsense-Guided Search Query Generation for Open-Domain Knowledge-Powered Conversations [66.16863141262506]
  本稿では,ソーシャルコモンセンスによってガイドされたインターネット検索クエリ生成に焦点を当てた新しいアプローチを提案する。 提案フレームワークは,トピックトラッキング,コモンセンス応答生成,命令駆動クエリ生成を統合することで,受動的ユーザインタラクションに対処する。
  論文  参考訳（メタデータ） (2023-10-22T16:14:56Z)
• Multi-Action Dialog Policy Learning from Logged User Feedback [28.4271696269512]
  マルチアクションダイアログポリシーは、ターン毎に複数のアトミックダイアログアクションを生成する。 データ制限のため、既存のポリシーモデルは、目に見えないダイアログフローに対してあまり一般化しない。 暗黙的かつ暗黙的なターンレベルのユーザフィードバックでマルチアクションダイアログポリシー学習を改善するためにBanditMatchを提案する。
  論文  参考訳（メタデータ） (2023-02-27T04:01:28Z)
• COLA: Improving Conversational Recommender Systems by Collaborative Augmentation [9.99763097964222]
  アイテム表現学習とユーザ嗜好モデリングの両方を改善するために,協調的拡張(COLA)手法を提案する。 すべての会話から対話型ユーザテムグラフを構築し,ユーザ認識情報によってアイテム表現を拡大する。 ユーザの嗜好モデルを改善するため,学習コーパスから類似した会話を検索し,ユーザの興味を反映した関連項目や属性を用いてユーザ表現を増強する。
  論文  参考訳（メタデータ） (2022-12-15T12:37:28Z)
• Hierarchical Conversational Preference Elicitation with Bandit Feedback [36.507341041113825]
  提案システムでは,各ラウンドで推薦するキータームかアイテムのいずれかを選択することができる。 実世界のデータセットを調査・分析し、先行研究と異なり、キーターム報酬は主に代表品の報酬に影響されていることを確認する。 我々は、この観測結果とキータームとアイテム間の階層構造を利用する2つの帯域幅アルゴリズム、Hier-UCBとHier-LinUCBを提案する。
  論文  参考訳（メタデータ） (2022-09-06T05:35:24Z)
• Grounding in social media: An approach to building a chit-chat dialogue model [9.247397520986999]
  豊かな人間のような会話能力を持つオープンドメイン対話システムを構築することは、言語生成における根本的な課題の1つである。 知識に基づく対話生成に関する現在の研究は、主にウィキペディアのような事実に基づく構造化知識ソースを法人化または検索することに焦点を当てている。 本手法は,ソーシャルメディア上での人間の反応行動の模倣によって,システムの生会話能力を向上させることを目的とした,より広範かつシンプルなアプローチである。
  論文  参考訳（メタデータ） (2022-06-12T09:01:57Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。