論文の概要: Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval

• arxiv url: http://arxiv.org/abs/2608.27006v1
• Date: Thu, 27 Aug 2026 11:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.377263
• Title: Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval
• Title（参考訳）: セルフリフレッシュ検索を用いたライブEコマースカタログの会話勧告
• Abstract要約: 本稿では,実物カタログ上で営業する,商店に依存しない多方向対話型ショッピングアシスタントについて紹介する。 その中心となるコンポーネントは、商品のフィードを取り込み、レコードを豊かにし、それらをベクトルインデックスに同期するセルフリフレッシュレトリバーである。 各実行毎に、どの製品が新しく、変更され、削除され、あるいは変更されていないかを特定するため、デルタのみが処理される。
• 参考スコア（独自算出の注目度）: 0.7340017786387767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational recommender systems based on large language models (LLMs) are usually evaluated on static, pre-indexed item collections, yet e-commerce catalogues change continuously as products are added or removed, repriced, and restocked. We present a merchant-agnostic, multi-turn conversational shopping assistant that operates over such live catalogues. Its central component is a self-refreshing retriever that ingests a merchant product feed, enriches the records, and synchronizes them into a vector index. On each run, per-item hashes identify which products are new, changed, deleted, or unchanged, so only the delta is processed rather than rebuilding the whole catalogue. A controller-based dialogue layer consumes this index, using an LLM only for intent classification and preference elicitation while retrieval, reranking, and diversity selection run as dedicated functions. Our demonstration is a WhatsApp shopping assistant in which catalogue changes reach the recommendations after the next successful sync. A live chatbot, documentation, and a recorded walkthrough are available at https://github.com/infobip/infobip-agentic-crs.
• Abstract（参考訳）: 大型言語モデル(LLM)に基づく会話レコメンデータシステムは通常、静的でインデックス付きアイテムコレクションで評価されるが、製品の追加、削除、補充、再生産によってeコマースカタログは継続的に変化する。 そこで我々は,このようなライブカタログを運用する,商店に依存しない多方向対話型ショッピングアシスタントを提案する。 その中心となるコンポーネントは、商品のフィードを取り込み、レコードを豊かにし、それらをベクトルインデックスに同期するセルフリフレッシュレトリバーである。 各実行において、各イットムハッシュは、どの製品が新しく、変更され、削除され、あるいは変更されていないかを識別する。 コントローラベースの対話層はこのインデックスを消費し、LLMは、検索、再ランク付け、多様性選択を専用の関数として実行しながら、意図の分類と嗜好を引き出すためにのみ使用する。 私たちのデモはWhatsAppのショッピングアシスタントで、カタログの変更は次の成功の後にレコメンデーションに達する。 ライブチャットボット、ドキュメント、記録されたウォークスルーはhttps://github.com/infobip/infobip-agentic-crs.comで入手できる。

関連論文リスト

• One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation [0.8257831610561874]
  マルチマーチャントeコマースカタログには、商人が特定した異なる識別子の下で、同等の製品と関連する製品が含まれている。 単一の階層型セマンティックID(sid)表現がパーソナライズされたランキングとクエリのリフォームをサポートするかどうかを検討する。
  論文  参考訳（メタデータ） (2026-08-21T00:27:32Z)
• Beyond Matching: Category-Guided Latent Intent Reasoning for Generative Retrieval in E-Commerce [33.55727546262202]
  CaLIRは、電子商取引生成検索のためのカテゴリー誘導潜在意図推論フレームワークである。 階層型セマンティック推論を導入し、潜在状態をカテゴリーレベルのショッピング意図と整合させる。 多言語eコマース検索データセットの実験により、CaLIRは既存の方法よりも検索効率と推論効率のバランスが良くなっていることが示された。
  論文  参考訳（メタデータ） (2026-06-05T09:12:54Z)
• OwlerLite: Scope- and Freshness-Aware Web Retrieval for LLM Assistants [3.4012351571963073]
  OwlerLiteはブラウザベースのRAGシステムで、ユーザが定義したスコープとデータの鮮度を検索の中心とする。 フレッシュネスを意識したクローラーは、ライブページを監視し、意味のある更新を識別するためにセマンティックチェンジ検出器を使用し、変更したコンテンツを選択的に再インデックスする。
  論文  参考訳（メタデータ） (2026-01-25T13:11:14Z)
• Knowledge-Enhanced Conversational Recommendation via Transformer-based Sequential Modelling [58.681146735761224]
  まず,トランスフォーマーをベースとした逐次的対話推薦手法TSCRを提案し,会話の逐次的依存関係をモデル化する。 次に,TSCRの知識グラフ拡張版であるTSCRKGを提案する。 実験の結果,TSCRモデルは最先端のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-03T12:20:56Z)
• REAPER: Reasoning based Retrieval Planning for Complex RAG Systems [3.160580413086215]
  複雑なクエリは複数ステップの検索も必要です。 ほとんどのRAGエージェントは、推論と検索のステップをインターリーブすることで、このようなChain-of-Thoughtタスクを処理する。 エージェントベースのシステムよりもレイテンシが大幅に向上し、新規で目に見えないユースケースに容易にスケールできるようになりました。
  論文  参考訳（メタデータ） (2024-07-26T07:05:54Z)
• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce [67.6615871959902]
  電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。 私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。 提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
  論文  参考訳（メタデータ） (2021-10-18T10:02:15Z)

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。