Enhancing User Personalization in Conversational Recommenders
会话式推荐器正在成为个性化用户推荐体验的强大工具。通过一个来回的对话，用户可以快速磨练在正确的项目。然而，许多会话式推荐方法仅部分地探索用户偏好空间，并对如何最好地结合用户反馈做出限制性假设，导致长对话和较差的推荐性能。在本文中，我们提出了一种新的会话推荐框架，具有两个独特的功能：（i）贪婪NDCG属性选择器，通过优先考虑最有效地代表用户实际偏好空间的属性，增强交互式偏好获取过程中的用户个性化;以及（ii）用户表示细化器，以有效地将从交互式启发过程收集的用户偏好融合在一起，从而获得对用户的更加个性化的理解。通过对四个常用数据集的广泛实验，我们发现所提出的框架不仅优于所有最先进的会话推荐器（在推荐性能和会话效率方面），而且在所提出的多地面实况多轮会话推荐设置下为用户提供了更个性化的体验。
2023-02-13 cs.IR
UserSimCRS v2: Simulation-Based Evaluation for Conversational Recommender Systems
TH Köln（科隆应用技术大学）；University of Stavanger（斯塔万格大学）
本文提出UserSimCRS v2，改进了对话推荐系统的模拟评估工具，包含增强的议程基用户模拟器、大语言模型模拟器、更广泛的支持CRS和数据集，以及新的LLM作为评判工具的评估功能。
2026-03-17 cs.IR
Evaluating Conversational Recommender Systems via User Simulation
会话信息获取是一个新兴的研究领域。目前，端到端的系统评估主要采用人工评估，这种评估方式在大规模上耗费大量时间和资源，成为系统评估的瓶颈。作为替代方案，我们提出了通过模拟用户的自动化评估。我们的用户模拟器的目的是生成一个真正的人会考虑个人偏好和一般流程的互动系统给出的反应。我们评估我们的模拟方法的项目推荐任务，比较现有的会话推荐系统。我们表明，偏好建模和特定于任务的交互模型都有助于更逼真的模拟，并可以帮助实现自动评估措施和人工评估之间的高度相关性。
2020-06-15 cs.IR
Quantifying and Mitigating Popularity Bias in Conversational Recommender Systems
会话式推荐系统（CRS）在通过多轮交互循环准确地捕获用户的当前和详细偏好同时有效地引导用户到更个性化的推荐方面已经显示出巨大的成功。也许令人惊讶的是，会话式推荐系统可能会受到流行偏见的困扰，就像传统的推荐系统一样。本文系统地研究了CRS中的流行性偏差问题。我们证明了存在的流行偏见，在现有的国家的最先进的CRS从曝光率，成功率和会话效用的角度来看，并提出了一套专门为CRS设置的流行偏见的度量。然后，我们引入了一个去偏置框架，具有三个独特的功能：（i）流行意识的集中学习，以减少流行扭曲的影响偏好预测;（ii）通过属性映射的冷启动项目嵌入重建，以改善冷启动项目的建模;（iii）双策略学习，以更好地指导CRS处理流行或不流行的项目。通过对两个常用CRS数据集的大量实验，我们发现所提出的模型无关的去偏置框架不仅减轻了最先进的CRS中的流行度偏差，而且提高了整体推荐性能。
2022-08-20 cs.IR
Analyzing and Simulating User Utterance Reformulation in Conversational Recommender Systems
用户模拟是一种有效的评价会话式推荐系统的技术。然而，建立一个类似人类的模拟器仍然是一个开放的挑战。在这项工作中，我们专注于用户如何重新制定他们的话语时，会话代理无法理解他们。首先，我们进行了用户研究，涉及五个不同领域的会话代理，以确定常见的改写类型和它们的过渡关系。出现的一个常见模式是，持久用户在放弃之前首先会尝试重新措辞，然后简化。接下来，将所观察到的重构行为在用户模拟器中，我们引入重构序列生成的任务：生成一个序列的重构话语与给定的意图（改写或简化）。我们开发的方法，通过扩展Transformer模型指导的重组类型和估计的阅读难度的基础上进行进一步的过滤。我们证明了我们的方法使用自动和人工评估的有效性。
2022-05-03 cs.IR
Generative Conversational Recommender System
Nanyang Technological University（南洋理工大学）
本文提出了一种统一推荐与对话生成的生成式对话推荐系统，通过单个自回归框架实现端到端优化，提升了推荐性能和对话质量。
2026-05-21 cs.IR
CRS Arena: Crowdsourced Benchmarking of Conversational Recommender Systems
CRS Arena是一个基于众包的对话式推荐系统基准测试平台，通过两两对战和用户反馈实现可靠评估，并发布包含474个对话的数据集及Elo排名。
2024-12-13 cs.IR
An Empirical Study on Zero-Data Bootstrapping for Conversational Recommender Systems
University of California, San Diego（加利福尼亚大学圣地亚哥分校）；Netflix Inc.（网飞公司）；Cornell University（康奈尔大学）
本研究针对对话式推荐系统需领域对话数据的痛点，开展零数据引导实证，用非对话信号生成合成数据，证实其效果优于基线，为无对话训练数据构建CRS提供可行方案。
2026-08-31 cs.IR
Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learning
针对CRS依赖用户模拟器导致模拟有效而部署失效的问题，本文提出TCRS，融合基于模型的离线学习与可控用户模拟，以降低实时交互依赖并提升推荐鲁棒性、适应性与准确性。
2024-09-07 cs.IR
Snippet-based Conversational Recommender System
针对现有对话推荐系统依赖预定义属性或昂贵标注数据的局限，提出SnipRec方法，利用用户生成内容（如评论），通过大语言模型生成简洁片段表示用户偏好并检索物品，实现跨领域灵活推荐且无需大量人工数据或微调。
2025-04-14 cs.IR
Tidying Up the Conversational Recommender Systems' Biases
本文综述对话式推荐系统中的偏见，考察其在整个流程中的表现及组合模型带来的挑战，强调需以整体视角应对复杂CRS模型中的偏见问题。
2023-09-05 cs.IR
MSCRS: Multi-modal Semantic Graph Prompt Learning Framework for Conversational Recommender Systems
本文提出MSCRS框架，通过构建多模态语义图并结合提示学习与大语言模型，从文本和图像等维度丰富用户偏好，显著提升对话推荐系统的推荐准确性与响应自然度。
2025-04-25 cs.IR
Integrating Vision-Centric Text Understanding for Conversational Recommender Systems
The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）
STARCRS通过集成视觉导向的文本理解和大语言模型文本路径，提升对话推荐系统的偏好建模和响应生成能力。
2026-01-20 cs.IR
Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems
针对大型语言模型（LLMs）对话推荐系统（CRS）难以利用行为数据的问题，提出首个结合LLMs与协同过滤（CF）的CRAG方法，在Reddit-v2和Redial数据集上实现更优的物品覆盖度和推荐性能，尤其提升了新电影推荐准确性。
2025-02-19 cs.IR
Federated Conversational Recommender System
针对对话式推荐系统的集中式隐私泄露风险，提出一种结合去中心化处理与用户级差分隐私的联邦对话推荐框架，在保护隐私的同时实现了具竞争力的推荐性能。
2025-03-02 cs.IR
Comparison-based Conversational Recommender System with Relative Bandit Feedback
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；Shandong University（山东大学）
随着会话式推荐的最新进展，推荐系统能够通过会话式交互主动且动态地引出用户偏好。为了实现这一点，系统定期查询用户对属性的偏好，并收集他们的反馈。然而，大多数现有的会话式推荐系统只能使用户提供绝对的反馈属性。在实践中，绝对反馈通常是有限的，因为用户在表达偏好时倾向于提供有偏见的反馈。相反，用户通常更倾向于表达比较偏好，因为用户偏好本质上是相对的。为了使用户在会话交互过程中提供比较偏好，我们提出了一种新的基于比较的会话推荐系统。相对反馈虽然更实用，但由于其反馈尺度与用户的绝对偏好不匹配，不容易被纳入。通过有效地收集和理解来自交互方式的相对反馈，我们进一步提出了一种新的强盗算法，我们称之为RelativeConUCB。在合成数据集和真实数据集上的实验结果表明，与会话推荐系统中现有的强盗算法相比，本文提出的方法具有明显的优势。
2022-08-21 cs.IR cs.LG
On Mitigating Data Sparsity in Conversational Recommender Systems
Nanyang Technological University（南洋理工大学）；The University of Queensland（昆士兰大学）
针对对话推荐系统的对话与实体空间数据稀疏问题，提出含三个模块的DACRS框架，经实验验证其性能优于现有最先进对话推荐系统。
2026-08-19 cs.IR
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore（新加坡国立大学）；Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Singapore Management University（新加坡管理大学）
本文提出CARE框架，结合外部推荐系统和LLM进行上下文适应，提升对话推荐的准确性，实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
Evaluating Conversational Recommender Systems: A Landscape of Research
会话式推荐系统旨在以直观的方式交互式地支持在线用户的信息搜索和决策过程。随着语音控制设备、自然语言处理和人工智能的最新进展，近年来此类系统受到了越来越多的关注。从技术上讲，会话机器人通常是复杂的多组件应用程序，通常由多个机器学习模型和一个自然语言用户界面组成。因此，以整体方式评估这样一个复杂的系统可能具有挑战性，因为它需要（i）评估不同学习组件的质量，以及（ii）用户对整个系统的质量感知。因此，往往需要一种混合方法的方法，它可以结合客观（计算）和主观（感知导向）的评估技术。在本文中，我们回顾了会话推荐系统的常见评估方法，确定可能的局限性，并概述了未来更全面的评估实践的方向。
2022-10-28 cs.HC cs.IR
Multi-Objective Intrinsic Reward Learning for Conversational Recommender Systems
本文提出将内在奖励学习建模为多目标双层优化问题，以同时最大化对话推荐成功率和最小化对话轮数，并在三个公开CRS基准上验证了其显著提升推荐性能的有效性。
2023-10-31 cs.IR
Evaluating the Robustness of Conversational Recommender Systems by Adversarial Examples
Center for Intelligent Information Retrieval（智能信息检索中心）；Manning College of Information and Computer Sciences（曼宁信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
会话式推荐系统（CRS）正在迅速改善，根据标准的推荐准确性指标。然而，必须确保这些系统在与用户（包括想要通过向系统馈送修改的输入数据来攻击系统的常规和恶意用户）交互时是鲁棒的。在本文中，我们提出了一个对抗性的评估计划，包括两个类别的四个场景，并自动生成对抗性的例子，以评估这些系统在面对不同的输入数据的鲁棒性。通过执行这些对抗性示例，我们可以比较不同会话推荐系统满足用户偏好的能力。我们通过两个数据集上的对抗性示例评估了三个CRS。我们的研究结果表明，这些系统都是强大的和可靠的对抗性的例子。
2023-03-09 cs.AI cs.IR
MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models
本文提出 MemoCRS 框架，通过用户特定实体记忆与通用协同知识记忆增强 LLM，建模跨会话偏好连续性，缓解历史噪声及冷启动问题。
2024-07-06 cs.IR
Evaluating Conversational Recommender Systems via Large Language Models: A User-Centric Framework
The Hong Kong Polytechnic University（香港理工大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；City University of Hong Kong（香港城市大学）
本文提出CoRE框架，通过大语言模型评估对话推荐系统，结合用户评价和多代理辩论，提升用户体验评估的准确性。
2026-01-24 cs.IR
A Standardized Re-evaluation of Conversational Recommender Systems on the ReDial Dataset
University of Stavanger（斯塔万格大学）
本文针对ReDial数据集上对话推荐系统的评估问题，通过标准化条件重新评估了三种架构家族中的七种主流方法，揭示了细粒度排名对实现细节的高度敏感性，以及重复捷径对准确性报告的显著影响，同时指出LLM基础能力对性能提升的影响大于架构创新，最后通过用户导向的指标证明传统召回率可能高估系统对话效果。
2026-05-20 cs.IR
Chatbots as Conversational Recommender Systems in Urban Contexts
在本文中，我们概述了聊天机器人的愿景，以促进城市规模的公民和政策制定者之间的互动。我们报告了60多名参与者参加的共同设计会议的结果。我们展望了未来如何解决与此类聊天机器人系统相关的一些挑战。
2017-08-09 cs.CY cs.IR cs.SI
Large Language Models as Zero-Shot Conversational Recommenders
University of California, San Diego（加州大学圣地亚哥分校）；Netflix Inc.（奈飞公司）；Cornell University（康奈尔大学）
本研究构建了目前最大的公开真实世界对话推荐数据集，实证发现零样本大语言模型在对话推荐任务上性能超越现有微调模型，并通过分析探究了其表现优异的机制，为未来对话推荐系统设计提供方向。
2023-08-19 cs.AI cs.IR
Limitations of Current Evaluation Practices for Conversational Recommender Systems and the Potential of User Simulation
本文指出现有对话式推荐系统评估依赖静态数据和指标不足的问题，提出用户模拟生成动态数据及基于奖励/成本的新指标，初步验证其与真实满意度更相关。
2025-10-07 cs.IR
Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning
University of Virginia（弗吉尼亚大学）；Netflix Research（Netflix研究部）；Cornell University（康奈尔大学）
Rank-GRPO通过两阶段框架提升LLM对话推荐系统的训练效果，解决排名质量下降问题。
2026-02-13 cs.IR
FORCE: A Framework of Rule-Based Conversational Recommender System
Microsoft（微软）
会话式推荐系统（CRS）近年来受到了广泛的关注。然而，现有的工作大多集中在各种深度学习模型，这在很大程度上受到大规模人工标注数据集的要求的限制。这种方法不能处理工业产品中的冷启动情况。为了缓解这个问题，我们提出了FORCE，一个基于规则的会话推荐系统框架，帮助开发人员通过简单的配置快速构建CRS机器人。我们在两个不同语言和领域的数据集上进行实验，以验证其有效性和可用性。
2022-03-18 cs.AI cs.CL cs.IR
CRSLab: An Open-Source Toolkit for Building Conversational Recommender System
Renmin University of China（中国人民大学）；Alibaba Group（阿里巴巴集团）
近年来，会话式推荐系统（CRS）受到了研究界的广泛关注。然而，现有的CRS研究在场景、目标和技术上各不相同，缺乏统一、标准化的实施或比较。为了应对这一挑战，我们提出了一个开源的CRS工具包CRSLab，它提供了一个统一的和可扩展的框架，高度解耦的模块来开发CRS。基于这个框架，我们收集了6个常用的人工标注的CRS数据集，并实现了18个模型，其中包括最新的技术，如图神经网络和预训练模型。此外，我们的工具包提供了一系列的自动评估协议和人机交互界面，以测试和比较不同的CRS方法。该项目和文件发布在https://github.com/RUCAIBox/CRSLab。
2021-01-04 cs.CL cs.IR
Should We Tailor the Talk? Understanding the Impact of Conversational Styles on Preference Elicitation in Conversational Recommender Systems
本研究针对对话推荐系统（CRSs）偏好获取过程中对话风格的影响空白，通过对照实验对比高参与度、高体贴度及灵活切换三种风格，发现依用户专业知识调整风格可提升满意度与推荐有效性，为CRSs设计提供参考。
2025-04-17 cs.HC cs.IR
Multi-Type Context-Aware Conversational Recommender Systems via Mixture-of-Experts
School of Computer Science and Engineering（计算机科学与工程学院）；School of Management Science and Engineering（管理科学与工程学院）；School of Computer Science and Technology（计算机科学与技术学院）
本文提出多类型上下文感知对话推荐系统MCCRS，通过专家混合融合知识图谱、对话历史和商品评论，并由ChairBot协调专家输出，实验证明其性能显著优于现有基线。
2025-08-26 cs.AI cs.CL cs.IR
Modeling Multiple User Interests using Hierarchical Knowledge for Conversational Recommender System
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
会话式推荐系统（CRS）是通过自然语言会话进行项目推荐的实际应用。这样的系统估计用户兴趣以获得适当的个性化推荐。用户有时会对不同的类别或类型有不同的兴趣，但现有的研究假设用户的兴趣是独特的，可以被密切相关的项目所覆盖。在这项工作中，我们建议在CRS中对多个用户的兴趣进行建模。我们在使用ReDial数据集的实验中研究了它的效果，发现所提出的方法可以推荐比基线CR-Walker更广泛的项目。
2023-03-01 cs.AI cs.CL cs.IR
A Unified Multi-task Learning Framework for Multi-goal Conversational Recommender Systems
The Chinese University of Hong Kong（香港中文大学）；Sichuan University（四川大学）；National University of Singapore（新加坡国立大学）
近年来，在开发多目标会话推荐系统（MG-CRS）方面取得了一些进展，这些系统可以主动吸引用户的兴趣，并自然地引导具有多个会话目标和不同主题的用户参与对话。MG-CRS通常涉及四个任务，包括目标规划、主题预测、项目推荐和响应生成。大多数现有的研究只涉及其中的一些任务。为了处理整个问题的MG-CRS，采用模块化的框架，其中每个任务独立处理，而不考虑它们的相互依赖性。在这项工作中，我们提出了一种新的统一多目标会话推荐系统，即UniMIND。具体来说，我们将这四个任务与不同的配方统一到相同的序列到序列（Seq 2Seq）范式。为了使统一模型具有多任务学习的能力，研究了基于任务的学习策略。最后，整个学习和推理过程包括三个阶段，包括多任务学习，基于任务的调整和推理。在两个MG-CRS基准测试（DuRecDial和TG-ReDial）上的实验结果表明，UniMIND在统一模型下的所有任务上都达到了最先进的性能。对MG-CRS进行了广泛的分析和讨论，为MG-CRS提供了一些新的视角。
2022-04-14 cs.CL cs.IR
Towards Fast Domain Adaptation and Fine-Grained User Simulation for Evaluating Conversational Recommender Systems
Renmin University of China（中国人民大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
提出AdaptSim框架，通过自动提示生成和开放动作机制实现快速领域自适应，采用“思考-响应”策略控制语言风格，并基于广度优先搜索的逐轮对比评估对话推荐系统。
2026-06-24 cs.IR
Understanding User Intent Modeling for Conversational Recommender Systems: A Systematic Literature Review
Utrecht University（乌得勒支大学）；University of Guilan（吉兰大学）；Lappeenranta University of Technology（拉彭兰塔理工大学）
本文通过系统性文献综述分析对话推荐系统中的59种用户意图模型与74个特征，提出辅助模型选择的决策模型并以两个案例研究验证。
2023-08-05 cs.AI cs.IR
VideolandGPT: A User Study on a Conversational Recommender System
RTL Nederland B.V.（RTL荷兰公司）；Maastricht University（马斯特里赫特大学）
本文提出基于ChatGPT的VideolandGPT对话式推荐系统，通过用户偏好和个性化候选选择提升推荐效果，用户研究表明个性化版本在准确性和满意度上更优，但两者在公平性上存在不一致问题。
2023-09-07 cs.AI cs.IR
On the Reliability of User-Centric Evaluation of Conversational Recommender Systems
University of Innsbruck（因斯布鲁克大学）
本文研究了对话推荐系统用户导向评估的可靠性，发现部分维度在聚合下具有中等可靠性，而社会构念如人性和融洽度则不可靠，揭示了第三方判断中的晕轮效应。
2026-02-19 cs.IR
Towards Effective Structured Context Modeling for Conversational Recommender Systems via Dual-node Monte Carlo Tree Search
College of Computer Science, Sichuan University（四川大学计算机学院）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
该研究针对会话式推荐系统的用户偏好追踪问题，提出双节点蒙特卡洛树搜索的DREAMS框架，经基准数据集实验验证其有效性。
2026-09-03 cs.AI cs.IR
A Literature Review on Simulation in Conversational Recommender Systems
本综述通过开发分类框架，系统分析了对话推荐系统（CRSs）中的仿真方法，涵盖数据集构建、算法设计、系统评估和实证研究，揭示了基于LLM的仿真在应对CRSs挑战中的关键作用及未来潜力。
2025-06-25 cs.HC cs.IR
Evaluation of Synthetic Datasets for Conversational Recommender Systems
Google Research（谷歌研究院）
对于利用大语言模型（LLM）生成训练数据集的研究人员来说，特别是对于会话推荐系统来说，缺乏强大的评估框架一直是一个长期存在的问题。LLM在数据生成阶段带来的效率在生成数据的评估过程中受到阻碍，因为它通常需要人工评估人员来确保生成的数据具有高质量和足够的多样性。由于训练数据的质量对于下游应用程序至关重要，因此开发全面评估质量并识别偏差的指标非常重要。在本文中，我们提出了一个框架，采取多方面的方法来评估生成模型产生的数据集，并讨论了各种评估方法的优点和局限性。
2022-12-12 cs.AI cs.CL cs.IR
Customized Conversational Recommender Systems
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Beihang University（北京航空航天大学）；The Hong Kong University of Science and Technology（香港科技大学）
会话式推荐系统（CRS）旨在通过实时的多轮会话交互来捕获用户的当前意图并提供推荐。CRS作为一个人机交互系统，提高用户体验至关重要。然而，大多数CRS方法忽略了用户体验的重要性。本文提出CRS改善用户体验的两个关键点：（1）像人一样说话，人类可以根据当前的对话语境用不同的风格说话。(2)细粒度意图识别，即使是同一话语，不同的用户也有不同的细粒度意图，这与用户的内在偏好有关。在此基础上，我们提出了一种新的CRS模型，即定制会话推荐系统（Customized Conversational Recommender System，CCRS），它从三个角度为用户定制CRS模型。对于类人对话服务，我们提出了多风格的对话响应生成器，选择上下文感知的说话风格的话语生成。为了提供个性化的推荐，我们提取用户的当前细粒度的意图，从对话上下文与用户的固有偏好的指导。最后，为了为每个用户定制模型参数，我们从元学习的角度对模型进行训练。大量的实验和一系列的分析表明，我们的CCRS推荐和对话服务的优越性。
2022-06-30 cs.AI cs.IR
Behavior Alignment: A New Perspective of Evaluating LLM-based Conversational Recommender Systems
University of Delaware（特拉华大学）
本文提出行为对齐这一新评估指标，用于衡量基于LLM的对话推荐系统与人类推荐者策略的一致性，并设计基于分类的隐式测量方法以降低人工标注成本，实验证明其优于现有指标。
2024-10-17 cs.AI cs.IR
Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion
Peking University（北京大学）；Renmin University of China（中国人民大学）
会话式推荐系统（CRS）旨在通过交互式会话向用户推荐高质量的项目。尽管已经为CRS做出了一些努力，但仍有两个主要问题有待解决。首先，会话数据本身缺乏足够的上下文信息来准确理解用户的偏好。第二，在自然语言表达和项目级用户偏好之间存在语义鸿沟。为了解决这些问题，我们将面向单词和面向实体的知识图谱（KG），以提高CRS中的数据表示，并采用互信息最大化对齐单词级和实体级的语义空间。对齐的语义表示的基础上，我们进一步开发了KG增强的推荐组件，使准确的建议，和KG增强的对话组件，可以生成信息的关键字或实体的响应文本。大量的实验已经证明了我们的方法在推荐和会话任务上都有更好的性能。
2020-07-08 cs.AI cs.CL cs.IR
Stop Playing the Guessing Game! Target-free User Simulation for Evaluating Conversational Recommender Systems
针对现有对话推荐系统评估依赖有目标偏差用户模拟器、仅关注单轮召回、忽略偏好挖掘过程的问题，提出基于真实用户数据的无目标评估协议PEPPER，可更准确评估CRS的偏好挖掘能力。
2025-10-22 cs.IR
Towards Explainable Conversational Recommender Systems
Shandong University（山东大学）；Bloomberg（彭博社）
本文针对对话式推荐系统可解释性不足的问题，提出十个评估视角，构建包含756个对话和2000余条高质量解释的E-ReDial数据集，并验证其能显著提升模型解释生成质量。
2023-05-27 cs.AI cs.IR
COLA: Improving Conversational Recommender Systems by Collaborative Augmentation
The Hong Kong Polytechnic University（香港理工大学）
会话式推荐系统（CRS）的目标是利用自然语言会话向用户推荐合适的产品。了解用户对预期项目的偏好并学习有效的项目表示对于CRS至关重要。尽管有各种尝试，早期的研究主要是学习项目表征的基础上，个人的对话，忽略了项目的受欢迎程度体现在所有其他人。此外，他们仍然需要支持，以有效地捕捉用户的喜好，因为在一个单一的对话反映的信息是有限的。受协同过滤的启发，我们提出了一种协同增强（COLA）方法，同时提高项目表示学习和用户偏好建模，以解决这些问题。我们从所有对话中构建了一个交互式用户-项目图，该图用用户感知信息增强了项目表示，即，物品人气。为了提高用户偏好建模，我们从训练语料库中检索类似的对话，其中所涉及的项目和属性，反映用户的潜在利益是用来增强用户表示通过门控制。在两个基准数据集上的实验证明了该方法的有效性。我们的代码和数据可在https://github.com/DongdingLin/COLA上获得。
2022-12-15 cs.CL cs.IR
Intent Recognition in Conversational Recommender Systems
Macquarie University（麦考瑞大学）
任何组织都需要改进其产品、服务和流程。在这种情况下，与客户互动并了解他们的旅程至关重要。组织利用各种技术和技术来支持客户参与，从呼叫中心到聊天机器人和虚拟代理。最近，这些系统使用机器学习（ML）和自然语言处理（NLP）来分析大量的客户反馈和参与数据。我们的目标是了解客户的背景，并在各种渠道提供有意义的答案。尽管会话人工智能（AI）和推荐系统（RS）取得了多项进展，但在客户旅程中理解客户问题背后的意图仍然具有挑战性。为了应对这一挑战，在本文中，我们研究和分析了会话推荐系统（CRS）的最新工作，更具体地说，是基于聊天机器人的CRS。我们引入了一个流水线来语境化对话中的输入话语。然后，我们采取下一步措施，利用反向特征工程来链接上下文输入和学习模型，以支持意图识别。由于性能评估是基于不同的ML模型实现的，因此我们使用Transformer基础模型来评估所提出的方法，该方法使用信息寻求者和答案提供者之间问答交互的标记对话数据集（MSDialogue）。
2022-12-06 cs.CL cs.IR cs.LG
VOGUE: A Multimodal Dataset for Conversational Recommendation in Fashion
University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）
为弥补多模态对话推荐数据集的不足，构建了包含60个人类对话、2100个细粒度标注话语的VOGUE数据集，支持视觉和上下文推理评估，并揭示了多模态大语言模型在偏好推断上的系统性分布误差。
2026-05-28 cs.IR
Decision-aware User Simulation Agent for Evaluating Conversational Recommender Systems
Department of Computer Science and Information Engineering（计算机科学与信息工程系）
本文提出Hesitator框架，通过模块化决策模块模拟人类在选择过载下的决策过程，实验表明其能有效缓解模拟器在高过载条件下的不现实行为，复现了心理学经济学中的行为模式。
2026-05-05 cs.AI cs.IR
User Simulator-Guided Multi-Turn Preference Optimization for Reasoning LLM-based Conversational Recommendation
Huazhong University of Science and Technology（华中科技大学）
本文提出SMTPO框架，通过多任务监督微调和强化学习优化多轮对话推荐，提升推荐准确性与泛化能力。
2026-04-04 cs.IR
Why Multi-Interest Fairness Matters: Hypergraph Contrastive Multi-Interest Learning for Fair Conversational Recommender System
Nanyang Technological University（南洋理工大学）；Digital Trust Centre Singapore（新加坡数字信任中心）；Sun Yat-sen University（中山大学）；South China Agricultural University（华南农业大学）；Peng Cheng Laboratory（鹏城实验室）
本文提出HyFairCRS框架，通过超图对比多兴趣学习在动态对话推荐系统中同时提升多兴趣多样性公平与推荐性能，并在两个CRS数据集上验证其有效缓解不公平性且达到最先进水平。
2025-07-01 cs.CL cs.IR cs.MM
A Survey on Conversational Recommender Systems
University of Klagenfurt（克拉根福大学）；Hong Kong Baptist University（香港浸会大学）
推荐系统是在信息过载的情况下帮助用户找到感兴趣的项目的软件应用。当前的研究通常假设一次交互范例，其中用户的偏好基于过去观察到的行为来估计，并且其中排名的建议列表的呈现是用户交互的主要单向形式。会话式推荐系统（CRS）采用不同的方法，支持更丰富的交互。例如，这些交互可以帮助改进偏好获取过程，或者允许用户询问关于推荐的问题并给出反馈。在过去几年中，对CRS的兴趣显著增加。这一发展主要是由于自然语言处理领域的重大进展、新的语音控制家庭助理的出现以及聊天机器人技术的使用增加。在本文中，我们提供了一个详细的调查现有的方法会话推荐。我们将这些方法分为不同的维度，例如，根据支持的用户意图或他们在后台使用的知识。此外，我们还讨论了技术方法，回顾了如何评估CRS，并最终确定了一些差距，值得在未来进行更多的研究。
2021-05-31 cs.AI cs.HC cs.IR
Towards Empathetic Conversational Recommender Systems
Shandong University（山东大学）；Tencent（腾讯）；University of Amsterdam（阿姆斯特丹大学）；Leiden University（莱顿大学）
针对现有对话推荐系统忽略用户情绪、与用户需求错位的问题，提出包含情绪感知推荐和情绪对齐回复生成的ECR框架，通过扩充共情数据、设计新指标，在ReDial数据集上验证了其提升推荐准确率和用户满意度的效果。
2024-08-30 cs.AI cs.IR
