論文の概要: Towards Effective Structured Context Modeling for Conversational Recommender Systems via Dual-node Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2609.00618v2
• Date: Wed, 02 Sep 2026 03:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 15:35:44.750516
• Title: Towards Effective Structured Context Modeling for Conversational Recommender Systems via Dual-node Monte Carlo Tree Search
• Title（参考訳）: 二重ノードモンテカルロ木探索による会話レコメンダシステムのための効率的な構造化コンテキストモデリング
• Authors: Jincheng Zhang, Chen Huang, Wenqiang Lei, See-Kiong Ng, Yang Deng,
• Abstract要約: DREAMSは,マルチターンインタラクションを通じてユーザの嗜好の進化を捉える新しい木構造コンテキストモデリングフレームワークである。 DREAMSは、会話勧告システム(CRS)の2つの基本的な目的、すなわち、嗜好の誘惑と嗜好の搾取を支持している。
• 参考スコア（独自算出の注目度）: 78.39993606731646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the role of conversational context modeling in user preference tracking for Conversational Recommendation Systems (CRSs). In this regard, we propose DREAMS, a novel tree-structured context modeling framework that explicitly captures user preference evolution throughout multi-turn interactions. DREAMS introduces two specialized node types to support the two fundamental objectives of CRSs: preference elicitation and preference exploitation. Specifically, elicitation nodes leverage Monte Carlo Tree Search (MCTS) to strategically explore conversational actions and infer latent user preferences, while exploitation nodes employ LLM-based refinement to transform the tracked preference state into structured retrieval queries for recommendation. Extensive experiments on benchmark datasets demonstrate the effectiveness of DREAMS and its design.
• Abstract（参考訳）: 本研究では,対話型レコメンデーションシステム(CRS)のユーザ嗜好追跡における会話コンテキストモデリングの役割について検討する。 本稿では,マルチターンインタラクションを通じてユーザの嗜好の進化を明示的に捉える新しい木構造コンテキストモデリングフレームワークであるDREAMSを提案する。 DREAMSは2つの特別なノードタイプを導入し、CRSの2つの基本的な目的である、選好誘導と選好利用をサポートする。 具体的には,モンテカルロ木探索(MCTS)を利用して対話行動の戦略的探索を行い,遅延したユーザの嗜好を推測する。 ベンチマークデータセットに関する大規模な実験は、DREAMSとその設計の有効性を実証している。

関連論文リスト

• Where and What: Reasoning Dynamic and Implicit Preferences in Situated Conversational Recommendation [16.06642257317271]
  SCR(Situated conversational recommendation)は、特定の環境と自然言語の対話に基礎を置く視覚シーンを用いて、文脈的に適切なレコメンデーションを提供する。 そこで我々は,2つのコアメカニズムを統合する新しいフレームワークSiPeRを提案する。 2つの代表的なベンチマークの実験は、SiPeRのレコメンデーション精度と応答生成品質の両方において優れていることを示した。
  論文  参考訳（メタデータ） (2026-04-22T16:39:52Z)
• REGEN: A Dataset and Benchmarks with Natural Language Critiques and Narratives [4.558818396613368]
  Amazon Product Reviewsデータセットを拡張して,2つの重要な自然言語機能を取り入れています。 ストーリーには、製品の支持、購入説明、ユーザの好みの要約が含まれる。
  論文  参考訳（メタデータ） (2025-03-14T23:47:46Z)
• Graph Retrieval-Augmented LLM for Conversational Recommendation Systems [52.35491420330534]
  G-CRS(Graph Retrieval-Augmented Large Language Model for Conversational Recommender Systems)は、グラフ検索強化世代とテキスト内学習を組み合わせた学習自由フレームワークである。 G-CRSは、タスク固有のトレーニングを必要とせず、既存の手法よりも優れたレコメンデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T03:56:22Z)
• Enhancing User Intent for Recommendation Systems via Large Language Models [0.0]
  DUIPはLSTMネットワークとLLM(Large Language Models)を組み合わせた新しいフレームワークで、ユーザの意図を動的に把握し、パーソナライズされたアイテムレコメンデーションを生成する。 この結果から,DUIPは次世代レコメンデーションシステムにとって有望なアプローチであり,クロスモーダルレコメンデーションとスケーラビリティのさらなる向上の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-18T20:35:03Z)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じ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ことを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
  逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。 様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。 我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
  論文  参考訳（メタデータ） (2024-08-14T10:03:40Z)
• Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の累積増加率は4.13%に達した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)

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。