論文の概要: Dialogue Generation for Conversational Recommendation Using User Search Interactions and Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2610.25182v1
• Date: Sun, 18 Oct 2026 11:11:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:00:28.659176
• Title: Dialogue Generation for Conversational Recommendation Using User Search Interactions and Knowledge Graphs
• Title（参考訳）: ユーザ検索インタラクションと知識グラフを用いた対話レコメンデーションのための対話生成
• Abstract要約: 本稿では,ユーザ検索とクリック行動に基づく会話レコメンデーション対話を生成するSearClを提案する。 SearClを用いて、コンテンツ検索とクリックインタラクションデータから3,538の対話を生成し、1,731のユニークなターゲット項目をカバーした。 LLM-as-a-judgeプロトコルでは、既存のベンチマークの対話よりも高い品質のスコアが得られる。
• 参考スコア（独自算出の注目度）: 7.120360957817347
• License:
• Abstract: Large-scale conversational recommendation datasets typically require manual dialogue construction or annotation. We propose SearCl, which automatically generates conversational recommendation dialogues grounded in user search and click behaviors. SearCl segments user interactions into query sessions and derives each recommendation target from content selected after a search query. A configurable probabilistic state machine controls the dialogue flow, while two LLM agents acting as the seeker and recommender generate utterances according to turn-level constraints. To support recommendation, the recommender is provided with knowledge graphs constructed from metadata about the content items used in each dialogue, capturing their attributes and relationships. Using SearCl, we generate 3,538 dialogues from content search and click interaction data, covering 1,731 unique target items. Under an LLM-as-a-judge protocol, the resulting dialogues achieve higher quality scores than dialogues from existing benchmarks. These results demonstrate that SearCl enables controllable and knowledge-grounded dataset construction without human annotations.
• Abstract（参考訳）: 大規模な会話レコメンデーションデータセットは通常、手動の対話構築やアノテーションを必要とする。 本稿では,ユーザの検索やクリック行動に基礎を置く対話レコメンデーション対話を自動生成するSearClを提案する。 SearClは、ユーザインタラクションをクエリセッションにセグメントし、検索クエリ後に選択されたコンテンツから各レコメンデーションターゲットを導出する。 構成可能な確率的状態機械が対話フローを制御し、2つのLLMエージェントが探索者および推薦者として機能し、ターンレベルの制約に従って発話を生成する。 推薦を支援するために、レコメンデータは、各対話で使用されるコンテンツ項目のメタデータから構築された知識グラフを備え、それらの属性と関係をキャプチャする。 SearClを用いて、コンテンツ検索とクリックインタラクションデータから3,538の対話を生成し、1,731のユニークなターゲット項目をカバーした。 LLM-as-a-judgeプロトコルでは、既存のベンチマークの対話よりも高い品質のスコアが得られる。 これらの結果は、SearClが人間のアノテーションを使わずに制御可能で知識を基盤としたデータセット構築を可能にすることを示す。

関連論文リスト

• Interplay: Training Independent Simulators for Reference-Free Conversational Recommendation [29.520574514713402]
  2つの独立した大規模言語モデル(LLM)を訓練する参照不要なシミュレーションフレームワークを提案する。 これらのモデルは、所定の対象アイテムにアクセスすることなくリアルタイムで相互作用するが、好みの要約やターゲット属性はアクセスしない。 このアプローチは、人間とAIの相互作用を密接に反映する、より現実的で多様な会話を生み出します。
  論文  参考訳（メタデータ） (2026-03-19T07:33:50Z)
• STEP: Stepwise Curriculum Learning for Context-Knowledge Fusion in Conversational Recommendation [18.833994388759326]
  本稿では,事前学習型言語モデルを中心にした対話型レコメンデーションシステムSTEPを紹介する。 STEPはカリキュラム誘導のコンテキスト知識融合と軽量なタスク固有のプロンプトチューニングを組み合わせる。 実験の結果,STEPは2つの公開データセットの推薦精度と対話品質において,主要な手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-08-14T14:08:21Z)
• On Mitigating Data Sparsity in Conversational Recommender Systems [69.70761335240738]
  会話レコメンデータシステム(CRS)は、対話中のテキスト情報を通じてユーザの好みをキャプチャする。 対話空間は広大で言語的に多様であり、アイテム空間は長い尾とスパース分布を示す。 既存の手法では,(1)リッチテキストの活用による多様な対話表現の一般化,(2)重度の疎度下での情報表現の学習に苦慮している。
  論文  参考訳（メタデータ） (2025-07-01T06:54:51Z)
• Parameter-Efficient Conversational Recommender System as a Language Processing Task [52.47087212618396]
  会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。 先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。 本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-01-25T14:07:34Z)
• CGoDial: A Large-Scale Benchmark for Chinese Goal-oriented Dialog Evaluation [75.60156479374416]
  CGoDialは、Goal指向のダイアログ評価のための、新しい挑戦的で包括的な中国のベンチマークである。 96,763のダイアログセッションと574,949のダイアログがすべて含まれており、異なる知識ソースを持つ3つのデータセットをカバーする。 学術ベンチマークと音声対話のシナリオのギャップを埋めるために、実際の会話からデータを収集したり、クラウドソーシングを通じて既存のデータセットに音声機能を追加する。
  論文  参考訳（メタデータ） (2022-11-21T16:21:41Z)
• Dial2vec: Self-Guided Contrastive Learning of Unsupervised Dialogue Embeddings [41.79937481022846]
  教師なし対話の埋め込みを学習するタスクについて紹介する。 事前学習された単語や文の埋め込みや、事前学習された言語モデルによるエンコーディングといったトライアル的なアプローチは、実現可能であることが示されている。 本稿では,Dial2vecという自己指導型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-10-27T11:14:06Z)
• Conversational Recommendation: Theoretical Model and Complexity Analysis [6.084774669743511]
  理論的にドメインに依存しない会話推薦モデルを提案する。 効率的な会話戦略の発見はNPハードであることが示される。 また,カタログの特徴が個々の対話戦略の効率性に強く影響を与えることを示す。
  論文  参考訳（メタデータ） (2021-11-10T09:05:52Z)
• Towards Conversational Recommendation over Multi-Type Dialogs [78.52354759386296]
  ボットは、非推奨ダイアログからレコメンデーションダイアログへの会話を積極的に自然に導くことができる。 この課題の研究を容易にするために,人間と人による中国語対話データセットemphDuRecDial(約10k対話,約156k発話)を作成する。 各ダイアログでは、リコメンデータが積極的にマルチタイプのダイアログを導き、レコメンデーションターゲットにアプローチし、リッチなインタラクション動作で複数のレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-05-08T11:01:21Z)

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。