論文の概要: Generative Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2605.21987v1
• Date: Thu, 21 May 2026 04:36:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.092011
• Title: Generative Conversational Recommender System
• Title（参考訳）: 生成的会話レコメンダシステム
• Authors: Sixiao Zhang, Mingrui Liu, Cheng Long,
• Abstract要約: 本稿では,単一の自己回帰フレームワーク内でのレコメンデーションとダイアログ生成を統一する,完全生成型対話レコメンデーションシステムを提案する。 我々のメソッドはリコメンデーション性能を継続的に改善し、強力なベースライン上でRecall@1で最大29%のゲインを達成する。
• 参考スコア（独自算出の注目度）: 32.13241752028528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational recommender systems aim to provide personalized recommendations via natural language interactions. However, existing approaches either decouple recommendation from dialog generation or rely on retrieval-based pipelines, limiting the integration between recommendation and response generation and leading to suboptimal modeling of user intent. In this paper, we propose a fully generative conversational recommender system that unifies recommendation and dialog generation within a single autoregressive framework. Our approach represents items as discrete semantic IDs and integrates them directly into the generation process, enabling joint prediction of items and responses via next-token modeling. We further introduce a structured generation paradigm that factorizes conversational recommendation into a sequence of interdependent decisions, where the model first predicts the response intent and the recommendation target, and then generates the response conditioned on them. This design enables end-to-end optimization, enforces a more coherent dependency structure, and supports faithful item generation via constrained decoding. Extensive experiments demonstrate that our method consistently improves recommendation performance, achieving gains of up to 29% on Recall@1 over strong baselines, while maintaining competitive dialog quality.
• Abstract（参考訳）: 会話レコメンデーションシステムは、自然言語による対話を通じて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。 しかし、既存のアプローチでは、ダイアログ生成からレコメンデーションを分離するか、検索ベースのパイプラインに依存し、レコメンデーションとレスポンス生成の統合を制限し、ユーザの意図を最適にモデル化する。 本稿では,単一の自己回帰フレームワーク内でのレコメンデーションとダイアログ生成を統一する,完全生成型対話レコメンデーションシステムを提案する。 提案手法は,アイテムを個別なセマンティックIDとして表現し,生成プロセスに直接統合することにより,次点モデリングによるアイテムとレスポンスの同時予測を可能にする。 さらに,モデルがまず応答意図とレコメンデーションターゲットを予測し,その上で条件付き応答を生成するという,対話的推薦を相互依存的な決定の列に分解する構造的生成パラダイムを導入する。 この設計はエンドツーエンドの最適化を可能にし、より一貫性のある依存関係構造を強制し、制約付きデコーディングによる忠実なアイテム生成をサポートする。 大規模な実験により,提案手法はレコメンデーション性能を継続的に改善し,強いベースラインを越えながらRecall@1で最大29%向上し,競合ダイアログの品質を維持した。

関連論文リスト

• Beyond Whole Dialogue Modeling: Contextual Disentanglement for Conversational Recommendation [22.213312621287482]
  本稿では,会話レコメンデータシステムを改善するために,文脈のゆがみを導入する新しいモデルを提案する。 DisenCRSは、自己監督的コントラスト的アンタングルメントと反ファクト的推論アンタングルメントを含む、二重のアンタングルメントフレームワークを採用している。 2つの広く使われている公開データセットの実験結果は、DisenCRSが既存の会話レコメンデーションモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-04-24T10:33:26Z)
• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成レコメンデーションを結合的なフレームワークに統合する、新しいエンドツーエンド生成レコメンダである。 ETEGRecは、アイテムトークンライザと、デュアルエンコーダ-デコーダアーキテクチャ上に構築された生成レコメンデータで構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• EM Pre-training for Multi-party Dialogue Response Generation [86.25289241604199]
  多人数対話では、応答発話の宛先を生成前に指定する必要がある。 本稿では,アドレナラベルを生成するための期待ステップを反復的に実行する期待最大化(EM)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T09:22:41Z)
• Aligning Recommendation and Conversation via Dual Imitation [56.236932446280825]
  提案するDICR(Dual Imitation for Conversational Recommendation)は,リコメンデーションパスとユーザ関心シフトパスを明確に整合させる2つの模倣を設計する。 アライメント信号の交換により、DICRはレコメンデーションと会話モジュール間の双方向のプロモーションを実現する。 実験により、DICRは推奨と会話のパフォーマンスに関する最先端モデルよりも、自動的、人的、斬新な説明可能性の指標の方が優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-05T08:13:46Z)
• Improving Response Quality with Backward Reasoning in Open-domain Dialogue Systems [53.160025961101354]
  本稿では,バニラエンコーダデコーダトレーニングに後方推論ステップを追加することで,生成モデルを双方向にトレーニングすることを提案する。 提案する後方推論ステップは、モデルがより有益で一貫性のあるコンテンツを生成するように促す。 副次的な情報を導入することなく応答品質を向上させることができる。
  論文  参考訳（メタデータ） (2021-04-30T20:38:27Z)

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。