論文の概要: Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework

• arxiv url: http://arxiv.org/abs/2607.00010v1
• Date: Fri, 08 May 2026 07:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.96691
• Title: Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
• Title（参考訳）: 対話型レコメンダシステムにおけるユーザシミュレーションのためのプロンプト最適化:多目的フレームワーク
• Abstract要約: 会話レコメンデータシステム(CRS)は、ユーザが積極的に好みを導き、意図を明確にし、リアルタイムにレコメンデーションを適用することを可能にする。 実際の人間の研究を通してCRSを評価することは、従来のレコメンデーターシステムよりも重要である。 CRSインタラクションデータは、プライバシの懸念からモデルトレーニングのために取得することがしばしば困難である。 既存のアプローチは、体系的なポジティブバイアス、データ漏洩、限られた行動多様性に悩まされている。
• 参考スコア（独自算出の注目度）: 8.412921699661348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational recommender systems (CRSs) are a core component of next-generation intelligent recommender systems because they enable users to actively elicit preferences, clarify intentions, and adapt recommendations in real time. However, there are two key obstacles in the CRS domain: evaluation and access to training data. Evaluating CRSs through real human studies is more critical than for traditional recommender systems, yet such studies are both costly and time-consuming. Moreover, CRS interaction data are often difficult to obtain for model training due to privacy concerns. Large language model (LLM)-based user simulators have shown promise in addressing both challenges by generating synthetic user interactions for evaluation and training. However, existing approaches suffer from systematic positive bias, data leakage, and limited behavioral diversity, and they rely on brittle manual prompt engineering that requires extensive domain expertise. In this paper, we propose a framework to automatically optimize prompts for LLM-based user simulators in CRSs, simultaneously mitigating these issues. Experimental results demonstrate that the proposed framework achieves improved behavioral alignment with human interaction patterns compared to baseline methods across diverse prompt settings.
• Abstract（参考訳）: 会話レコメンデーションシステム(CRS)は、ユーザが積極的に好みを導き、意図を明確にし、リアルタイムにレコメンデーションを適応できるようにするため、次世代インテリジェントレコメンデーションシステムの中核となるコンポーネントである。 しかし、CRSドメインには2つの重要な障害がある。 実際の人間の研究を通じてCRSを評価することは、従来のレコメンデーションシステムよりも重要であるが、こうした研究は費用と時間の両方に費やされている。 さらに、プライバシー上の懸念からモデルトレーニングにおいてCRSインタラクションデータは入手が難しい場合が多い。 大規模言語モデル(LLM)ベースのユーザシミュレータは、評価とトレーニングのための合成ユーザインタラクションを生成することによって、両方の課題に対処する上で有望であることを示す。 しかし、既存のアプローチは、体系的なポジティブバイアス、データ漏洩、限られた振る舞いの多様性に悩まされており、広範囲なドメインの専門知識を必要とする不安定な手動プロンプトエンジニアリングに依存している。 本稿では,CRSにおけるLCMベースのユーザシミュレータのプロンプトを自動的に最適化するフレームワークを提案する。 実験結果から,提案フレームワークは,多様なプロンプト設定のベースライン手法と比較して,人間のインタラクションパターンによる行動アライメントの向上を実現していることがわかった。

関連論文リスト

• Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems [49.766845975588275]
  推薦システムにおける非学習のためのより現実的なベンチマークの開発を導くために,設計デシダータと研究質問のセットを提案する。 我々は、現実世界の削除要求の逐次的で時間に敏感な性質を反映した、未学習のセットアップについて論じる。 本稿では,提案したdesiderataをベースとした次世代レコメンデーションセッティングの予備実験を行い,アンラーニングが逐次レコメンデーションモデルにも有効であることを確認した。
  論文  参考訳（メタデータ） (2025-08-23T16:05:40Z)
• Beyond Single Labels: Improving Conversational Recommendation through LLM-Powered Data Augmentation [18.01518720663732]
  会話レコメンデータシステム(CRS)は,マルチターン対話でユーザを惹きつけることによって,推薦品質を高める。 CRSは誤ったネガティブな問題に直面することが多く、トレーニング中にユーザーが好むアイテムが誤ってネガティブにラベル付けされているため、準最適リコメンデーションに繋がる。 本稿では,LLMに基づくセマンティックレトリバーを利用して,多種多様な意味的関連項目を識別する新しいデータ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-30T08:20:54Z)
• 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)
• A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
  新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。 合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。 実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。 高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
  論文  参考訳（メタデータ） (2024-12-18T15:38:39Z)
• Stop Playing the Guessing Game! Target-free User Simulation for Evaluating Conversational Recommender Systems [21.275452863162936]
  PEPPERは、実際のユーザインタラクション履歴とレビューから構築された、ターゲットフリーなユーザシミュレータによる評価プロトコルである。 PEPPERは、単純な推測ゲームに陥ることなく、現実的なユーザ-CRS対話を可能にする。 PEPPERは、CRSの嗜好誘発能力を包括的に評価するための詳細な尺度を提示する。
  論文  参考訳（メタデータ） (2024-11-25T07:36:20Z)
• Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learning [5.453444582931813]
  Tri-Phase Offline Policy Learning-based Conversational Recommender System (TCRS) 本稿では,Tri-Phase Offline Policy Learning-based Conversational Recommender System (TCRS)を紹介する。
  論文  参考訳（メタデータ） (2024-08-13T10:58:29Z)
• 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)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)

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。