論文の概要: Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops

• arxiv url: http://arxiv.org/abs/2609.30297v1
• Date: Wed, 16 Sep 2026 14:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.132879
• Title: Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops
• Title（参考訳）: Spotifyにおける会話推奨エージェントのブートストラップ - 合成データ生成と自己改善ループ
• Abstract要約: この課題に対処するために,マルチターン合成データ生成のためのパイプラインと自己改善ループを導入する。 このシステムは、Spotifyで会話レコメンデーションエージェントをローンチするために、生産され、大幅に加速された。 オンラインA/Bテストはその効果を示し、+14%のユーザリスニング、+5%のアクティブユーザの増加、5%のスキップ率の低下がある。
• 参考スコア（独自算出の注目度）: 29.421303493331738
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conversational recommendation agents are a new paradigm for content discovery, enabling users to express complex intents through natural language (e.g., "recommend Italian indie artists I haven't heard before"). A central challenge in building such agents is optimizing agent planning -- deciding how to select, sequence, and invoke tools -- particularly in cold-start settings where real user interactions are not yet available. We introduce a pipeline for multi-turn synthetic data generation and a self-improvement loop to address this challenge. The synthetic data pipeline transforms single-turn prompts into realistic multi-turn conversations, enabling systematic evaluation before launch. The self-improvement loop combines variance-based contrastive optimization with iterative refinement through a coding agent, automatically identifying and fixing planning and tool-use errors. Our approach improves quality by +8% on top of a highly optimized manual prompt. The system has been productionized and significantly accelerated iteration cycles for the launch of a conversational recommendation agent at Spotify. Online A/B tests demonstrate its effectiveness, with +14% user listening, +5% increase in weekly active users, and a 5% reduction in skip rate compared to a prior experience supporting only session refinement. This work provides a practical framework for accelerating the development of conversational recommendation agents in industry.
• Abstract（参考訳）: 会話レコメンデーションエージェントはコンテンツ発見の新しいパラダイムであり、ユーザーは自然言語("recommend Italian indie artist I have been heard")を通じて複雑な意図を表現できる。 このようなエージェント構築における中心的な課題は、実際のユーザインタラクションがまだ利用できないコールドスタート設定において、エージェント計画 -- ツールの選択、シーケンス、呼び出しの方法を決定する -- を最適化することである。 この課題に対処するために,マルチターン合成データ生成のためのパイプラインと自己改善ループを導入する。 合成データパイプラインは、シングルターンプロンプトを現実的なマルチターン会話に変換することで、ローンチ前に体系的な評価を可能にする。 自己改善ループは、分散ベースのコントラスト最適化と、コーディングエージェントによる反復的な改善を組み合わせることで、計画とツール使用エラーを自動的に識別し、修正する。 当社のアプローチは,高度に最適化された手動プロンプト上で,品質を+8%向上させる。 このシステムは、Spotifyで会話レコメンデーションエージェントをローンチするために、生産され、大幅に加速された。 オンラインA/Bテストはその効果を示し、+14%のユーザリスニング、+5%のアクティブユーザの増加、5%のスキップ率の低下がセッションリファインメントのみをサポートする以前の経験と比較された。 この研究は、業界における会話推薦エージェントの開発を促進するための実践的な枠組みを提供する。

関連論文リスト

• SAGE: Stochastic Prompt Optimization via Agent-Guided Exploration [4.5848302154106815]
  本稿では,プロンプト空間を探索するフレームワークであるSPO(Stochastic Prompt Optimization)を紹介する。 進化的演算子を用いた遺伝的アルゴリズムであるエラーインフォームドランダムサーチとSAGE(SPO via Agent-Guided Exploration)の比較を行った。 我々は,定量的検証と定性診断の結合がエージェント最適化をオープンなタスク指向対話に効果的にすると主張している。
  論文  参考訳（メタデータ） (2026-06-17T10:25:25Z)
• IceBreaker for Conversational Agents: Breaking the First-Message Barrier with Personalized Starters [12.905854774408587]
  今回紹介するIceBreakerは、人間のアイスブレイクを2ステップのハンドシェイクとしてフレーム化する会話エージェントだ。 世界最大の会話エージェント製品のオンラインA/Bテストでは、IceBreakerはユーザーの活動日数を+0.184%改善し、クリックスルー率は+9.425%改善している。
  論文  参考訳（メタデータ） (2026-04-20T15:02:03Z)
• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage [66.67531241554546]
  従来のASR-LLM-TTSパイプラインに代わる強力な対話システムとして、エンドツーエンドの音声対話システムが登場している。 本稿では,音声入力システムに直接ツールの使用を拡張するための最初のアプローチを紹介する。 提案するStreaming Retrieval-Augmented Generation (Streaming RAG) は,ユーザ音声と並行してツールクエリを予測することにより,ユーザ知覚のレイテンシを低減する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-02T14:18:20Z)
• From Clicks to Preference: A Multi-stage Alignment Framework for Generative Query Suggestion in Conversational System [11.373145953200137]
  生成ポリシーとユーザ意図のプログレッシブアライメントを目的とした多段階フレームワークを提案する。 我々の枠組みは, 自動評価と人的評価の両方において, ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-08-15T10:17:01Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation [62.019437228000776]
  本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。 人間の収集したデータセットで100万以上の多様な会話を生成します。
  論文  参考訳（メタデータ） (2023-01-27T01:54:16Z)

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。