論文の概要: Adapting Generative Recommenders for Multi-Turn Interaction

• arxiv url: http://arxiv.org/abs/2610.08136v1
• Date: Tue, 06 Oct 2026 10:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.944643
• Title: Adapting Generative Recommenders for Multi-Turn Interaction
• Title（参考訳）: マルチTurnインタラクションのための生成レコメンダの適応
• Abstract要約: ジェネレーティブレコメンダは、ユーザのインタラクション履歴からアイテムをデコードするが、ユーザが現在の意図を見逃すレコメンデーションを修正する手段を提供しない。 INTEGERは、学習したルーティングトークンとのマルチターンインタラクションに、生成的レコメンデーションを拡張する。 Amazon BeautyとToysでは、INTEGERは競争力のある会話品質と最強のベースラインを一致または超える。
• 参考スコア（独自算出の注目度）: 29.56884661695176
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative recommenders decode items from a user's interaction history, but offer no way for users to correct a recommendation that misses their current intent. Adding conversation is natural since items and words share same output space, yet training the model to converse may overwrite the history-to-item mapping it relies on. We introduce INTEGER (**INTE**ractive **GE**nerative **R**ecommendation), which extends generative recommendation to multi-turn interaction with a learned routing token that lets the model decide when to recommend, history re-anchoring that conditions each item on both past behavior and the dialogue, and behavioral replay with instruction-data rehearsal that prevents forgetting during adaptation. Users can thus give feedback on recommendations within the dialogue, while recommendations stay grounded in behavioral history and accuracy is not traded for fluency. On Amazon Beauty and Toys, INTEGER matches or exceeds the strongest baselines in accuracy with competitive conversation quality, improving Hit@10 by 13.3% on Amazon Beauty, and significantly outperforms the generative recommender it starts from. Our analyses show that INTEGER learns behaviors that naive adaptation fails to acquire, recommending once the user's intent is clear and staying attentive to behavioral history at the moment of recommendation. INTEGER also learns an intent-agnostic replacement over the item space, which suppresses rejected items but points to attribute-aware feedback as the next step.
• Abstract（参考訳）: ジェネレーティブレコメンダは、ユーザのインタラクション履歴からアイテムをデコードするが、ユーザが現在の意図を見逃すレコメンデーションを修正する手段を提供しない。 アイテムや単語が同じ出力空間を共有しているため、会話を追加することは自然なことです。 提案手法では,学習したルーティングトークンによる多ターンインタラクションへの生成的レコメンデーションを拡張したINTEGER(**INTE**ractive **GE**nerative **R**ecommendation)を導入する。 これにより、ユーザはダイアログ内でレコメンデーションに対してフィードバックを与えることができ、レコメンデーションは行動の歴史に根ざし続け、正確性は流布のために取引されない。 Amazon BeautyとToysでは、INTEGERは競争力のある会話品質と最強のベースラインを一致または超え、Amazon BeautyでHit@10を13.3%改善し、生成レコメンデーションのリコメンデーションを著しく上回っている。 分析の結果,INEGERは,ユーザの意図が明確で行動履歴に注意を払っている場合,行動適応が得られない動作を学習し,ユーザの意図が明確になった場合,推奨する。 INTEGERはまた、アイテム空間に対する意図に依存しない置換も学習し、削除されたアイテムを抑えるが、次のステップとして属性認識フィードバックを指している。

関連論文リスト

• RecCoT: Enhancing Recommendation via Chain-of-Thought [14.747239267782954]
  現代のレコメンデーションシステムは、暗黙のフィードバック信号からユーザとイテムの協調信号を学習する。 RecSysは、ユーザーがなぜ特定のアイテムを好まないかを理解するのに苦労する。 これらの手法の多くはレビューのレーティングの予測に重点を置いているが、人間には理解できない説明を与えていない。
  論文  参考訳（メタデータ） (2025-06-26T06:14:42Z)
• ConsRec: Denoising Sequential Recommendation through User-Consistent Preference Modeling [33.281526528724335]
  ユーザ一貫性を持つ参照型シーケンスレコメンデーションシステム(ConsRec)を提案する。 ConsRecは安定したユーザの好みをキャプチャし、インタラクション履歴からノイズの多いアイテムをフィルタリングする。 その結果、ConsRecはベースラインレコメンデーションモデルよりも13%改善されている。
  論文  参考訳（メタデータ） (2025-05-28T08:55:13Z)
• 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)
• Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences [12.249992789091415]
  我々は、Contrasting user pReference expAnsion and Learning (CORAL)と呼ばれる対話型推薦モデルを提案する。 コーラルは、ユーザの隠れた好みを、コントラストの好み拡張によって抽出する。 対照的な選好を明確に区別し、選好認識学習を通じてレコメンデーションプロセスに活用する。
  論文  参考訳（メタデータ） (2025-03-27T21:45:49Z)
• Beyond Positive History: Re-ranking with List-level Hybrid Feedback [49.52149227298746]
  リストレベルのハイブリッドフィードバック (dubed RELIFE) を用いた再ランク付けを提案する。 ユーザの好みや行動パターンを3つのモジュールでキャプチャする。 実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-28T06:39:01Z)
• Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
  知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。 具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
  論文  参考訳（メタデータ） (2024-08-02T15:38:55Z)
• 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)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。