論文の概要: Dialogue to Discovery: Attribute-Aware Preference Elicitation for Conversational Product Search Assistants

• arxiv url: http://arxiv.org/abs/2606.24194v1
• Date: Tue, 23 Jun 2026 06:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.804473
• Title: Dialogue to Discovery: Attribute-Aware Preference Elicitation for Conversational Product Search Assistants
• Title（参考訳）: 発見への対話: 対話型製品検索アシスタントの属性認識による推論
• Authors: Sarthak Harne, Natwar Modani, Debabrata Mahapatra, Shubham Agarwal,
• Abstract要約: 会話型プロダクト検索アシスタントは、従来のキーワードベースのプロダクト検索よりも表現力があり、自然な、インタラクティブな代替手段を提供する。 本稿では,商品属性の構造を動的に活用し,ユーザの希望する項目に対する会話を効率的に制御する属性指向の嗜好推論フレームワークであるD2Dについて述べる。 D2Dは22.2-29.9%の目標達成精度の向上、6.6-16.1%の放棄、そして27.5%の短い平均会話を実現している。
• 参考スコア（独自算出の注目度）: 4.77152330182664
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conversational product search assistants offer a more expressive, natural, and interactive alternative to traditional keyword-based product search. With limited screen space, showing only a few items increases the need for precise preference elicitation, which can prolong conversations, leading to user frustration and session abandonment. Conversely, rushing to recommend items without a clear understanding of preferences risks poor matches and a degraded user experience. We present Dialogue to Discovery (D2D), an attribute-oriented preference elicitation framework that dynamically exploits the structure of product attributes to efficiently steer conversations toward the user's desired item. D2D adaptively prioritizes the most informative queries and strategically times product recommendations, reducing premature or off-target suggestions that harm engagement. To evaluate D2D, we curate three datasets from the Amazon Reviews corpus. In simulated conversations modelled using a multi-factor utilitarian patience framework, D2D achieves a 22.2-29.9% improvement in target-finding accuracy, 6.6-16.1% reduction in abandonment, and 27.5% shorter average conversations over the state-of-the-art baselines. A complementary user study further confirms significant gains in both user satisfaction and perceived efficiency.
• Abstract（参考訳）: 会話型プロダクト検索アシスタントは、従来のキーワードベースのプロダクト検索よりも表現力があり、自然な、インタラクティブな代替手段を提供する。 限られた画面スペースでは、数項目しか表示されないため、正確な好みの推論の必要性が増し、会話が長続きし、ユーザのフラストレーションやセッションの放棄につながる。 逆に、好みを明確に理解せずに推奨項目を急いで推奨することは、マッチが悪く、ユーザエクスペリエンスが劣化するリスクがある。 本稿では,商品属性の構造を動的に活用し,ユーザの希望する項目に対する会話を効率的に制御する属性指向の嗜好推論フレームワークであるD2Dについて述べる。 D2Dは、最も情報性の高いクエリを適応的に優先順位付けし、製品レコメンデーションを戦略的に倍増させ、エンゲージメントを害する未熟またはターゲット外の提案を減らす。 D2Dを評価するために、Amazon Reviews corpusから3つのデータセットをキュレートする。 多要素実用的忍耐フレームワークを用いてモデル化された模擬会話では、D2Dは22.2-29.9%の目標フィディング精度の向上、6.6-16.1%の放棄、27.5%の最先端ベースラインでの平均会話を実現している。 補完的なユーザスタディでは、ユーザの満足度と知覚効率の両方において、大きな向上が確認されている。

関連論文リスト

• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• On Mitigating Data Sparsity in Conversational Recommender Systems [69.70761335240738]
  会話レコメンデータシステム(CRS)は、対話中のテキスト情報を通じてユーザの好みをキャプチャする。 対話空間は広大で言語的に多様であり、アイテム空間は長い尾とスパース分布を示す。 既存の手法では,(1)リッチテキストの活用による多様な対話表現の一般化,(2)重度の疎度下での情報表現の学習に苦慮している。
  論文  参考訳（メタデータ） (2025-07-01T06:54:51Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• HEISIR: Hierarchical Expansion of Inverted Semantic Indexing for Training-free Retrieval of Conversational Data using LLMs [0.3277163122167434]
  本稿では,会話データ検索における意味理解を強化する新しいフレームワークであるHEISIRを紹介する。 Heisir は,(1)階層型トリプレットの定式化と(2)アジュネート・アジュメンテーション(Adjunct Augmentation)という2段階のプロセスを実装し,SVOA(Subject-Verb-Object-Adjunct)四重項からなるセマンティック指標を生成する。 実験の結果,HEISIRは様々な埋め込み型や言語モデルにまたがる微調整モデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-06T06:39:25Z)
• Towards Empathetic Conversational Recommender Systems [77.53167131692]
  本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。 ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。 ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-30T15:43:07Z)
• CAUSE: Counterfactual Assessment of User Satisfaction Estimation in Task-Oriented Dialogue Systems [60.27663010453209]
  我々は,大規模言語モデル(LLM)を利用して,満足度を考慮した対実対話を生成する。 生成されたサンプルの信頼性を確保するために、人間のアノテーションを収集します。 この結果から,TODシステムにおけるユーザ満足度推定のためのデータ拡張手法の必要性が明らかになった。
  論文  参考訳（メタデータ） (2024-03-27T23:45:31Z)
• A Deep Reinforcement Learning Approach for Interactive Search with Sentence-level Feedback [12.712416630402119]
  対話型検索は、ユーザからのインタラクションフィードバックを取り入れることで、より良いエクスペリエンスを提供することができる。 既存の最先端(SOTA)システムは、相互作用を組み込むために強化学習(RL)モデルを使用している。 しかしそのようなフィードバックには、広範囲なRLアクションスペース探索と大量の注釈付きデータが必要である。 この研究は、新しいディープQラーニング(DQ)アプローチであるDQrankを提案する。
  論文  参考訳（メタデータ） (2023-10-03T18:45:21Z)
• From Chatter to Matter: Addressing Critical Steps of Emotion Recognition Learning in Task-oriented Dialogue [6.918298428336528]
  本稿では,チャット型ERCモデルをタスク指向モデルに変換するフレームワークを提案する。 ユーザの目標からの重要な情報を組み込むために,対話状態が補助機能として使用される。 本フレームワークは,EmoWOZ上でのチップチャットERCモデルの大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-08-24T08:46:30Z)
• 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)
• INSPIRED2: An Improved Dataset for Sociable Conversational Recommendation [5.837881923712394]
  自然言語のユーザと対話する会話レコメンデータシステム(CRS)は、ペア化された人間の助けを借りて収集されたレコメンデーションダイアログを利用する。 CRSは、ダイアログに現れ、通常ドメインの知識を活用する、明示的に注釈付けされたアイテムやエンティティに依存します。 本研究では,会話レコメンデーションのためのレコメンデーションダイアログからなるデータセットであるINSPIREDについて検討する。
  論文  参考訳（メタデータ） (2022-08-08T12:51:30Z)

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。