Towards Topic-Guided Conversational Recommender System
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Beijing Key Laboratory of Big Data Management and Analysis Methods(北京市大数据管理与分析方法重点实验室);School of Information, Renmin University of China(中国人民大学信息学院);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。为了开发有效的CRS,高质量数据集的支持至关重要。现有的CRS数据集主要关注用户的即时请求,而缺乏对推荐场景的主动指导。在本文中,我们提出了一个新的CRS数据集命名为\textbf{TG-ReDial}(\textbf{Re}推荐通过\textbf{T} \textbf{G} uided \textbf{Dial} og)。我们的数据集有两个主要特征。首先,它结合了主题线程,以实现向推荐场景的自然语义转换。其次,它是以半自动的方式创建的,因此人工注释更合理和可控。基于TG-ReDial,提出了基于主题的会话推荐任务,并提出了一种有效的会话推荐方法。大量的实验表明,我们的方法的有效性的三个子任务,即主题预测,项目推荐和响应生成。TG-ReDial可在https://github.com/RUCAIBox/TG-ReDial上获得。
2020-11-02 cs.CL cs.HC 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
CROWN: Conversational Passage Ranking by Reasoning over Word Networks
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Saarland Informatics Campus(萨尔兰信息学园区)
围绕一个主题的信息需求不能在一个回合中得到满足;用户通常会提出涉及同一主题的后续问题,系统必须能够理解请求的会话上下文以检索正确的答案。在本文中,我们向TREC对话协助跟踪2019提交了我们的意见书,其中探讨了这样的对话设置。我们提出了一个简单的无监督的方法,通过制定一个查询的相似性和连贯性相结合的通道分数的会话通道排名。具体来说,段落中包含的单词在语义上与问题中使用的单词相似,并且这些单词出现在附近。我们建立了一个词邻近网络(WPN)从一个大的语料库,其中的单词是节点,如果他们共同出现在同一个通道在统计上显着的方式,在一个上下文窗口的两个节点之间有一个边缘。我们的方法,名为CROWN,提高了nDCG分数在CAST训练数据上提供的Indri基线。根据CAsT的评估数据,我们的最佳运行提交在AP@5和nDCG@1000方面达到了高于平均水平的性能。
2020-02-11 cs.CL cs.IR
Conversational Neuro-Symbolic Commonsense Reasoning
Carnegie Mellon University(卡内基梅隆大学)
为了让对话式人工智能系统进行更自然、更广泛的对话,它们需要更多的常识,包括识别对话伙伴未陈述的假设的能力。例如,在命令“如果晚上下雪,那么早点叫醒我,因为我不想上班迟到”中,说话者依赖于听者的常识推理来推断出他们希望仅在雪下得足以导致交通减速时才被叫醒的隐含假设。我们在这里考虑的问题,理解这种不精确的陈述自然语言命令的形式给出的“如果-(状态),然后-(行动),因为-(目标)”语句。更准确地说,我们考虑的问题,确定未陈述的假设的发言者,允许请求的行动,以实现预期的目标,从给定的状态(也许详细说明,使隐式的假设明确)。我们为这项任务发布了一个基准数据集,从人类那里收集,并用常识假设进行了注释。我们提出了一个神经符号定理证明,提取多跳推理链,并将其应用到这个问题。此外,为了适应当前人工智能常识系统缺乏全面覆盖的现实,我们还提出了一个基于神经符号系统的交互式对话框架,该框架通过对话唤起人类的常识知识来完成其推理链。
2021-02-02 cs.AI cs.CL cs.LG
MobileConvRec: A Conversational Dataset for Mobile Apps Recommendations
University of Kentucky(肯塔基大学);Louisiana State University(路易斯安那州立大学)
针对移动应用对话推荐缺乏基准数据集的问题,提出MobileConvRec,基于真实交互模拟多轮对话,含超1.2万对话覆盖45类应用,并验证其作为测试平台的有效性。
2024-05-28 cs.CL
Long Short-Term Planning for Conversational Recommendation Systems
Nanjing University(南京大学)
本文针对对话推荐系统中对话与推荐模块交互不足的问题,提出长期短期反馈架构,通过长期推荐目标驱动短期对话规划,并在两者输出匹配时执行推荐。
2023-10-23 cs.CL
Pearl: A Review-driven Persona-Knowledge Grounded Conversational Recommendation Dataset
Yonsei University(延世大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对现有对话推荐数据集缺乏用户偏好和推荐解释的问题,本文提出基于评论驱动、角色与知识增强的大语言模型模拟器合成的PEARL数据集,包含超57k对话,实验证明其推荐更具相关性。
2024-06-08 cs.CL
BARCOR: Towards A Unified Framework for Conversational Recommendation Systems
National Taiwan University(国立台湾大学)
推荐系统主要致力于在信息过载的情况下帮助用户找到感兴趣的项目,其中用户的偏好通常是通过过去观察到的行为来估计的。相比之下,会话推荐系统(CRS)旨在通过会话流中的交互来了解用户的偏好。CRS是一个复杂的问题,包括两个主要任务:(1)推荐和(2)响应生成。以前的工作通常试图以模块化的方式解决问题,其中响应生成器和响应生成器是独立的神经模型。这种模块化架构通常在模块之间存在复杂且不直观的连接,导致学习效率低下和其他问题。在这项工作中,我们提出了一个统一的框架,基于BART的会话推荐,在一个单一的模型中处理两个任务。此外,我们还设计和收集了一个轻量级的知识图谱的CRS在电影领域。实验结果表明,所提出的方法达到了国家的最先进的性能,在自动和人工评价。
2022-03-27 cs.CL
RevCore: Review-augmented Conversational Recommendation
The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));JD AI Research(京东人工智能研究院);Shenzhen Research Institute of Big Data(深圳大数据研究院)
现有的会话式推荐系统在处理较短的会话历史和不熟悉的项目时,往往存在项目信息不足的问题。描述外部信息(例如,评论)是缓解这一问题的潜在解决方案。鉴于评论通常提供关于不同兴趣的丰富而详细的用户体验,它们是在信息性对话中提供高质量推荐的潜在理想资源。在本文中,我们设计了一个新的端到端的框架,即评论增强的会话推荐(RevCore),评论无缝地纳入丰富的项目信息,并协助生成连贯和翔实的反应。详细地说,我们提取情感一致的评论,对项目建议执行评论丰富和基于实体的建议,以及使用评论关注的编码器-解码器来生成响应。实验结果表明,我们的方法在产生更好的性能推荐和会话响应的优越性。
2021-06-02 cs.CL
KECRS: Towards Knowledge-Enriched Conversational Recommendation System
Nanyang Technological University(南洋理工大学);Alibaba-NTU Singapore Joint Research Institute(阿里巴巴-南洋理工大学新加坡联合研究院);Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly(南洋理工大学-英属哥伦比亚大学老年人积极生活卓越联合研究中心);Alibaba Group(阿里巴巴集团)
基于聊天的会话式推荐系统(CRS)通过自然语言交互向用户提供项目推荐。为了更好地理解用户的意图,外部知识图谱(KG)已被引入到基于聊天的CRS。然而,现有的基于聊天的CRS通常会产生重复的项目推荐,他们不能正确地注入知识从KG到CRS生成翔实的响应。为了解决这些问题,我们首先重新制定了会话推荐任务,以强调推荐的项目应该是新的,可能感兴趣的用户。然后,我们提出了知识丰富的会话推荐系统(KECRS)。具体而言,我们开发了实体袋(BOE)损失和输液损失,以更好地将KG与CRS集成,以生成更多样化和信息丰富的响应。BOE损失提供了额外的监督信号,以引导CRS从人类书面话语和KG中学习。注入损失通过最小化相同词在这两个嵌入中的距离来桥接词嵌入和实体嵌入之间的间隙。此外,我们还通过构建高质量的KG(\ie电影领域知识图谱(TMDKG))来促进我们的研究。在大规模数据集上的实验结果表明,KECRS在推荐准确率和响应生成质量方面都优于最先进的基于聊天的CRS。
2021-05-18 cs.CL
A Human Subject Study of Named Entity Recognition (NER) in Conversational Music Recommendation Queries
Deezer Research(Deezer研究院)
我们进行了一项人类主题的研究命名实体识别的嘈杂语料库的会话音乐推荐查询,许多不规则和新颖的命名实体。我们评估了人类NER语言行为在这些具有挑战性的条件下,并将其与当今最常见的NER系统进行了比较,微调Transformers。我们的目标是了解任务,以指导更好的评估方法和NER算法的设计。结果表明,在严格的评估模式下,NER对于人类和算法来说都是相当困难的;人类具有更高的精度,而模型的召回率更高,因为实体暴露,特别是在预训练期间;实体类型具有不同的错误模式(例如,艺术家频繁的打字错误)。发布的语料库超越了预定义的互动框架,可以支持未来的工作,在会话式音乐推荐。
2023-03-13 cs.CL
EGCR: Explanation Generation for Conversational Recommendation
University of Washington(华盛顿大学)
会话式推荐系统(CRS)作为一种基于会话、面向任务的推荐工具,能够提供用户感兴趣的内容,探索用户的偏好,受到了越来越多的关注。然而,现有的工作在CRS未能明确地显示推理逻辑的用户和整个CRS仍然是一个黑箱。因此,我们提出了一个新的端到端的框架命名为会话推荐(EGCR)的基础上产生的解释会话代理解释,解释他们为什么要采取行动。EGCR结合了用户评论,以增强项目表示,并增加整个对话的信息量。据我们所知,这是第一个在真实世界数据集上进行可解释会话推荐的框架。此外,我们在一个基准会话推荐数据集上评估EGCR,并在推荐准确性和会话质量方面取得了比其他最先进的模型更好的性能。最后,大量的实验表明,生成的解释不仅具有高质量和可解释性,而且使CRS更值得信赖。我们将提供我们的代码,为CRS社区做出贡献
2022-08-18 cs.AI cs.CL
SAPIENT: Mastering Multi-turn Conversational Recommendation with Strategic Planning and Monte Carlo Tree Search
Department of Computer Science and Engineering, The Ohio State University, USA(计算机科学与工程系,俄亥俄州立大学);Department of Biomedical Informatics, The Ohio State University, USA(生物医学信息学系,俄亥俄州立大学);Translational Data Analytics Institute, The Ohio State University, USA(转化数据分析研究所,俄亥俄州立大学)
SAPIENT框架通过蒙特卡洛树搜索规划对话并自训练对话智能体,在多轮对话推荐中超越现有最先进方法。
2025-05-08 cs.CL
Self-Supervised Bot Play for Conversational Recommendation with Justifications
UC San Diego(加州大学圣迭戈分校)
会话式推荐系统为用户提供了交互式的、吸引人的方式来找到他们喜欢的项目。我们试图通过三个维度来改进会话推荐:1)我们的目标是模仿人类交互的常见模式进行推荐:专家证明他们的建议,搜索者解释为什么他们不喜欢这个项目,双方通过对话来寻找合适的项目。2)我们利用对话批评的想法,让用户灵活地与自然语言的理由,批评主观方面。3)我们将会话式推荐应用于更广泛的领域,在这些领域中,众包的地面实况对话不可用。我们开发了一个新的两部分的框架训练会话推荐系统。首先,我们训练了一个推荐系统来联合推荐项目,并用主观方面来证明它的推理。然后,我们对这个模型进行微调,通过自我监督的机器人游戏来整合迭代的用户反馈。三个真实世界的数据集上的实验表明,我们的系统可以应用于不同领域的不同推荐模型,以实现更优越的性能相比,最先进的方法在会话推荐。我们还评估了我们的人类用户模型,表明在我们的框架下训练的系统在热启动和冷启动设置中提供了更有用,更有帮助和更有知识的建议。
2021-12-09 cs.CL cs.IR
CoRE-CoG: Conversational Recommendation of Entities using Constrained Generation
IIT Delhi(印度理工学院德里分校);IIT Bombay(印度理工学院孟买分校)
CoRE-CoG通过推荐触发器、类型剪枝和约束生成模块,提升端到端会话推荐系统的推荐准确性与响应流畅性,在基准测试中F1和Recall@1分别提升近10和4个百分点。
2023-11-14 cs.CL
Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation
UC San Diego(加州大学圣迭戈分校);Netflix(网飞公司);Cornell University(康奈尔大学)
针对LLM对话推荐中多token生成导致物品分布难控的问题,提出RTA框架,将物品标题重索引为单token并适配概率分布,在三个数据集和两种设置下提升准确率。
2024-05-20 cs.AI cs.CL cs.IR
RecInDial: A Unified Framework for Conversational Recommendation with Pretrained Language Models
The Chinese University of Hong Kong(香港中文大学);Microsoft Corporation(微软公司);University of Oxford(牛津大学)
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,近年来引起了人们的极大兴趣。CRS通常由推荐模块和生成模块组成。在以前的工作中,这两个模块在模型训练中是松散连接的,并且在推理过程中是浅集成的,其中采用简单的切换或复制机制来将推荐项合并到生成的响应中。此外,目前在小型众包数据集上训练的端到端神经模型(例如,ReDial数据集中的10 K个对话框)往往会过度拟合并且聊天能力较差。在这项工作中,我们提出了一种新的统一框架,通过引入一个词汇指针,将推荐集成到对话框(RecInDial)生成。为了解决CRS中的低资源问题,我们微调大规模预训练的语言模型以生成流畅和多样化的响应,并引入从面向实体的知识图谱中学习的知识感知偏差以提高推荐性能。此外,我们建议以端到端的方式评估CRS模型,与以前工作中使用的两个模块的单独评估相比,它可以反映整个系统的整体性能,而不是单个模块的性能。在基准数据集ReDial上的实验表明,我们的RecInDial模型明显优于最先进的方法。更广泛的分析表明我们的模型的有效性。
2022-10-07 cs.CL
USB-Rec: An Effective Framework for Improving Conversational Recommendation Capability of Large Language Model
Harbin Institute of Technology(哈尔滨工业大学);Beihang University(北航);Xiaohongshu Inc.(小红书公司)
本文提出USB-Rec框架,通过偏好优化数据集构建和推理阶段自我增强策略,在模型层面提升大语言模型的对话推荐能力,实验验证其优于现有方法。
2025-09-20 cs.AI cs.CL
Expectation Confirmation Preference Optimization for Multi-Turn Conversational Recommendation Agent
Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China(中国人民大学北京校区人工智能学院);Beijing Key Laboratory of Research on Large Models and Intelligent Governance(北京大型模型与智能治理研究重点实验室);Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE(下一代智能搜索与推荐工程研究中心,教育部);Huawei Noah’s Ark Lab, China(华为诺亚方舟实验室)
针对现有对话推荐智能体回复短视、多轮偏好优化成本高且效果差的问题,提出基于期望确认理论的ECPO范式与用户模拟器AILO,实现轮次级偏好优化,提升了交互效率与效果。
2025-06-17 cs.CL
Towards a Unified Conversational Recommendation System: Multi-task Learning via Contextualized Knowledge Distillation
The Hong Kong University of Science and Technology(香港科技大学)
本文提出通过情境化知识蒸馏(ConKD)实现统一对话式推荐系统的多任务学习,用单一模型联合优化推荐与对话生成,在提升推荐性能和流畅性的同时保持多样性。
2023-10-27 cs.AI cs.CL
CR-Walker: Tree-Structured Graph Reasoning and Dialog Acts for Conversational Recommendation
Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团)
会话式推荐系统(CRS)通过会话式交互探索用户的偏好,从而提供合适的推荐,这一研究受到了越来越多的关注。然而,在现有CRS中仍然缺乏以下能力:(1)遍历背景知识上的多个推理路径以引入相关项目和属性,以及(2)在当前系统意图下适当地布置所选实体以控制响应生成。为了解决这些问题,我们提出了CR-沃克在本文中,一个模型,执行树结构的推理知识图谱,并产生信息对话行为,以指导语言生成。树形结构推理的独特方案将每一跳处的遍历实体视为对话的一部分,以促进语言生成,这将实体的选择和表达联系起来。自动和人工评估表明,CR-Walker可以达到更准确的推荐,并生成更多信息和吸引人的响应。
2021-09-03 cs.CL cs.IR
Conversational Recommendation System with Unsupervised Learning
University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校);Rulai Inc.(Rulai公司)
我们将演示一个会话式产品推荐代理。这个系统展示了我们如何将个性化推荐系统的研究与对话系统的研究相结合来构建一个虚拟销售代理。基于我们开发的新深度学习技术,虚拟代理能够学习如何与用户交互,如何回答用户问题,下一个问题是什么,以及在与人类用户聊天时推荐什么。通常,一个特定领域的下降会话代理需要成千上万的手工标记的会话数据或手写规则。这是为新域启动会话代理时的主要障碍。我们将探索和演示学习解决方案的有效性,即使没有手写的规则或手工标记的训练数据。
2016-09-22 cs.CL cs.IR cs.LG
Learning to Ask Appropriate Questions in Conversational Recommendation
The University of Queensland(昆士兰大学);Alibaba AI Lab(阿里巴巴人工智能实验室);University of Electronic Science and Technology of China(电子科技大学)
会话式推荐系统(CRS)通过引入对话代理来动态地捕获细粒度的用户偏好,从而彻底改变了传统的推荐模式。在典型的会话推荐场景中,CRS首先生成问题,让用户澄清她/他的需求,然后做出合适的推荐。因此,生成合适的澄清问题的能力是及时跟踪用户的动态偏好并实现成功推荐的关键。然而,现有的CRS在询问高质量问题方面存在不足,因为:(1)系统生成的响应严重依赖于对话策略代理的性能,其必须用巨大的对话语料库来训练以覆盖所有情况;以及(2)当前的CRS不能充分利用学习到的潜在用户简档来生成适当的和个性化的响应。为了缓解这些问题,我们提出了基于知识的问题生成系统(KBQG),一个新的框架会话推荐。与以前的会话推荐系统不同,KBQG通过从结构化的知识图谱(KG)中识别最相关的关系,以更细的粒度对用户的偏好进行建模。在不同关系的重要性不同的条件下,生成的澄清问题可以更好地促使用户提供更多的细节,他们的喜好。从本质上讲,准确的建议可以在更少的会话回合中生成。此外,建议KBQG优于所有基线在我们的实验中的两个真实世界的数据集。
2021-05-11 cs.AI cs.CL cs.IR
"Is the Pope Catholic?" Applying Chain-of-Thought Reasoning to Understanding Conversational Implicatures
University of Minnesota Twin Cities(明尼苏达大学双城分校)
本文针对大型语言模型难以理解会话含义的问题,提出通过思维链提示引入Grice四准则,显著提升了模型性能并超越人类平均水平。
2023-05-23 cs.CL
Intent-Driven Semantic ID Generation for Grounded Conversational News Recommendation
Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区);Platform and Content Group, Tencent(腾讯平台与内容部)
本文提出意图驱动的语义ID生成方法,通过多任务对齐和GPT-4链式推理蒸馏,实现意图到层级SID前缀的映射,提升新闻推荐的 grounded 性和冷启动用户推荐效果。
2026-05-08 cs.CL
LatentCRS: A Variational EM Framework for Bridging Semantics and Behavior in LLM-based Conversational Recommendation
Nanjing University(南京大学)
提出LatentCRS框架,通过变分EM过程桥接LLM的语义空间与用户行为模式,解决对话推荐中语义理解与推荐精度不匹配的问题,实验表明其有效提升推荐性能。
2026-06-23 cs.CL cs.IR
Multi-Task End-to-End Training Improves Conversational Recommendation
Google Research(谷歌研究院)
本文提出基于T5的统一Transformer模型,通过多任务学习在ReDIAL数据集上微调,并利用MovieLens派生任务,实现对话式推荐中推荐与对话生成的竞争力,探针得分提升9%-52%。
2023-05-08 cs.AI cs.CL cs.IR
Improving Conversational Recommendation Systems via Bias Analysis and Language-Model-Enhanced Data Augmentation
University College London(伦敦大学学院);The University of Oklahoma(俄克拉荷马大学)
本研究分析了对话推荐系统基准数据集中的选择偏差和流行度偏差,提出了两种基于语言模型的数据增强策略'Once-Aug'和'PopNudge',在ReDial和TG-ReDial数据集上有效提升了模型性能并缓解了多种偏差。
2023-10-25 cs.CL cs.IR
Conversational Topic Recommendation in Counseling and Psychotherapy with Decision Transformer and Large Language Models
University of Michigan(密歇根大学);Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院);IBM Research(IBM研究院)
本文提出用 decision transformer 建模咨询对话中的状态、动作与奖励以推荐话题,并将其输出作为合成标签微调 LLaMA-2 7B,提升了相对强化学习基线的效果。
2024-05-08 cs.CL
ConvFinQA: Exploring the Chain of Numerical Reasoning in Conversational Finance Question Answering
University of California, Santa Barbara(加州大学圣巴巴拉分校);J.P. Morgan(摩根大通)
随着大型预训练语言模型的最新进展,研究人员在主要关注语言模式匹配的NLP任务中取得了创纪录的成绩。社区正在经历从如何建模语言到模仿人类复杂推理能力的挑战。在这项工作中,我们调查的应用领域的金融,涉及现实世界中,复杂的数值推理。我们提出了一个新的大规模数据集,ConvFinQA,旨在研究会话问答中的数值推理链。我们的数据集在建模现实世界对话中的长距离,复杂的数值推理路径方面提出了巨大的挑战。我们对神经符号方法和基于推理的方法进行了全面的实验和分析,以深入了解这两种方法的推理机制。我们相信我们的新数据集应该作为一个宝贵的资源,推动对现实世界的探索,复杂的推理任务作为下一个研究重点。我们的数据集和代码可在https://github.com/czyssrs/ConvFinQA上公开获取。
2022-10-07 cs.CL
Explicit Memory Tracker with Coarse-to-Fine Reasoning for Conversational Machine Reading
The Chinese University of Hong Kong(香港中文大学);Salesforce Research(Salesforce 研究院)
对话式机器阅读的目标是回答给定知识库文本的用户问题,这可能需要提出澄清问题。现有的方法是有限的,在他们的决策,由于斗争中提取问题相关的规则和推理。在本文中,我们提出了一个新的对话式机器阅读框架,其中包括一个新的显式记忆跟踪器(EMT),以跟踪规则文本中列出的条件是否已经满足作出决定。此外,我们的框架产生澄清问题,采用了由粗到细的推理策略,利用语义级蕴涵分数加权令牌级分布。在ShARC基准(盲,保持)测试集上,EMT实现了74.6%的微平均决策准确率和49.5 BLEU4的最新结果。我们还表明,EMT是更可解释的可视化的蕴涵为导向的推理过程中的会话流。代码和模型在https://github.com/Yifan-Gao/explicit_memory_tracker上发布。
2020-06-23 cs.CL
Evaluating Large Language Models as Generative User Simulators for Conversational Recommendation
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出一种包含五项任务的评估协议,用于衡量大型语言模型在对话式推荐中模拟人类行为的准确度,揭示其与人类行为的偏差,并探索通过模型选择和提示策略减少偏差的方法。
2024-03-25 cs.AI cs.CL cs.IR
Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information
Columbia University(哥伦比亚大学);University of California, Davis(加州大学戴维斯分校)
会话式推荐系统(CRS)通过从对话历史中推断用户偏好,提供准确的推荐并生成适当的响应来与用户互动。以前的CRS使用基于知识图谱(KG)的推荐模块,并将KG与语言模型集成以用于响应生成。虽然基于KG的方法被证明是有效的,但仍有两个问题有待解决。首先,基于KG的方法忽略了会话背景中的信息,而仅仅依赖于实体关系和词袋来推荐项目。第二,它需要大量的工程工作来维护模型域特定关系的KG,从而导致更少的灵活性。在本文中,我们提出了一个简单而有效的架构,包括一个预先训练的语言模型(PLM)和一个项目元数据编码器。编码器学习将项目元数据映射到可以反映对话上下文中的语义信息的嵌入。然后,PLM将语义对齐的项目嵌入与对话上下文一起使用,以生成高质量的建议和响应。我们的模型不是用KG建模实体关系,而是通过直接将每个项目转换为嵌入来降低工程复杂性。在基准数据集ReDial上的实验结果表明,我们的模型在推荐和响应生成任务上都获得了最先进的结果。
2021-12-15 cs.AI cs.CL cs.IR
Parameter-Efficient Conversational Recommender System as a Language Processing Task
Nanyang Technological University(南洋理工大学);School of Computer Science and Engineering(计算机科学与工程学院);Singapore University of Technology and Design(新加坡科技设计大学)
本文将对话式推荐系统形式化为自然语言处理任务,提出统一模型PECRS,利用预训练语言模型在单一阶段内同时完成物品编码、意图理解、语义匹配推荐和对话生成,无需知识图谱,并在两个基准数据集上验证了有效性。
2024-02-25 cs.CL
ChatGPT for Conversational Recommendation: Refining Recommendations by Reprompting with Feedback
University of Louisville(路易斯维尔大学);Microsoft(微软)
本文研究了ChatGPT作为top-n对话式推荐系统的有效性,通过构建带反馈的重新提示流水线来精炼推荐结果,发现该策略能有效提升推荐相关性并缓解流行度偏差。
2024-01-07 cs.AI cs.CL cs.IR
INFACT: An Online Human Evaluation Framework for Conversational Recommendation
University of Klagenfurt(克拉根福大学)
会话式推荐系统(CRS)是一种交互式代理,通过多轮会话支持用户实现与广告相关的目标。通常,CRS可以在各种维度上进行评估。今天的CRS主要依靠离线(计算)措施来评估其算法与不同基线相比的性能。然而,离线测量可能具有限制,例如,当用于将新生成的响应与地面实况进行比较的度量与人类感知不相关时,因为各种替代生成的响应在给定对话情形中可能也是合适的。因此,目前对基于机器学习的CRS模型的研究承认了人类在评估过程中的重要性,知道纯粹的离线测量可能不足以评估像CRS这样的高度交互式系统。
2022-09-07 cs.AI cs.CL cs.HC
Towards Deep Conversational Recommendations
Ecole Polytechnique de Montréal(蒙特利尔综合理工学院);Element AI(元素人工智能公司);Microsoft Research Montreal(微软研究院蒙特利尔分院);Université de Montréal(蒙特利尔大学);Mila(米拉);HEC Montréal(蒙特利尔高等商学院)
人们对使用神经网络和深度学习技术来创建对话系统的兴趣越来越大。会话推荐是一种有趣的设置,用于科学探索与自然语言的对话,因为相关的话语涉及目标驱动的对话,通常会自然地转换为更自由形式的聊天。本文提供了两个贡献。首先,到目前为止,还没有公开的大规模数据集,包括围绕建议的真实对话。为了解决这个问题并促进我们在这里的探索,我们收集了ReDial,这是一个由超过10,000个围绕提供电影推荐主题的对话组成的数据集。我们将这些数据提供给社区进行进一步的研究。其次,我们使用这个数据集来探索会话推荐的多个方面。特别是,我们探索新的神经架构,机制和方法,适合组成会话式推荐系统。我们的数据集使我们能够系统地探测模型子组件,解决整个问题领域的不同部分,从情感分析和冷启动推荐生成到自然语言如何在现实世界中使用的详细方面。我们将这些子组件组合成一个完整的对话系统,并检查其行为。
2019-03-04 cs.CL cs.IR cs.LG
Conversational Recommendation as Retrieval: A Simple, Strong Baseline
Google Research(谷歌研究院)
针对对话式推荐系统过度依赖难以扩展的外部知识的问题,提出将其转化为信息检索任务,使用基于BM25的检索器并辅以用户中心建模和数据增强,在简单方法下超越了复杂基线并缓解了冷启动问题。
2023-05-23 cs.CL cs.IR
Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation
Stanford University(斯坦福大学);Google Research(谷歌研究院)
提出TalkTheWalk框架,利用领域专业知识与语言模型合成超百万条高质量对话数据,解决对话式推荐系统训练数据难获取的问题,并在音乐推荐检索任务中超越基线。
2023-11-18 cs.CL cs.IR
Developing a Conversational Recommendation System for Navigating Limited Options
Northwestern University(西北大学);Adobe Research(Adobe研究院)
我们开发了一个会话式推荐系统,旨在帮助用户在一组有限的选项中导航,以找到最佳选择。不像许多互联网规模的系统,使用一个单一的搜索词集,并返回一个排名列表的选项从成千上万的,我们的系统使用多轮用户对话,深入了解用户的喜好。该系统在上下文中响应用户的具体和即时反馈,以做出连续的建议。我们设想我们的系统在具有内在约束的情况下非常有用,例如在步行距离内找到合适的餐厅或在有限的库存中找到合适的零售商品。我们的研究原型实例化了前一个用例,利用了来自Google Places、Yelp和Zomato的真实数据。我们评估了我们的系统与一个类似的系统,没有将用户的反馈,在16人的远程研究,产生64个基于搜索的旅程。当我们的推荐系统被成功触发时,我们看到了效率的提高和最终用户选择的更高置信度。我们还发现,与基线相比,用户更喜欢我们的系统(75%)。
2021-04-13 cs.CL cs.HC
"It doesn't look good for a date": Transforming Critiques into Preferences for Conversational Recommendation Systems
Northwestern University(西北大学);Adobe Research(奥多比研究院);Allen Institute for Artificial Intelligence(艾伦人工智能研究院)
旨在确定好的建议的对话本质上是迭代的。人们经常根据对当前推荐的评论来表达他们的偏好(例如,“这看起来不适合约会”),需要一定程度的常识才能推断出偏好。在这项工作中,我们提出了一种将用户评论转化为积极偏好的方法(例如,“我更喜欢浪漫”)以便检索与潜在更好的推荐有关的评论(例如,“完美的浪漫晚餐”)。我们在Few-Shot设置中利用一个大型神经语言模型(LM)来执行关键到偏好的转换,我们测试了两种检索推荐的方法:一种匹配嵌入,另一种微调LM的任务。我们在餐厅领域实例化这种方法,并使用新的餐厅评论数据集对其进行评估。在消融研究中,我们表明,利用批评偏好转换提高建议,并有至少三个一般情况下,解释这种改进的性能。
2021-09-15 cs.AI cs.CL
Explicit Alignment and Many-to-many Entailment Based Reasoning for Conversational Machine Reading
Beijing University of Posts and Telecommunications(北京邮电大学)
针对对话式机器阅读中文档与用户信息对齐被忽略的问题,提出一种通过显式对齐与轻量级多对多蕴含推理进行决策并生成后续问题的流水线框架,在ShARC数据集上取得最优结果。
2023-10-20 cs.CL
Synthetic Dialogue Generation for Interactive Conversational Elicitation & Recommendation (ICER)
Google Research(谷歌研究);Amazon AGI(亚马逊人工智能)
针对对话推荐系统公开数据不足、现有LM生成对话行为一致性差的问题,提出结合行为模拟器与LM提示生成符合用户状态的自然对话的方法,生成了兼具偏好引导与示例评论的大型开源CRS数据集,验证了对话的一致性、事实性与自然度。
2025-09-26 cs.AI cs.CL
Retrieval-Augmented Conversational Recommendation with Prompt-based Semi-Structured Natural Language State Tracking
University of Waterloo(滑铁卢大学);University of Toronto(多伦多大学)
本文提出RA-Rec,一个基于LLM的检索增强对话状态跟踪系统,通过半结构化自然语言状态跟踪和常识推理解决复杂用户偏好理解与物品检索问题。
2024-05-25 cs.AI cs.CL
Commonsense Reasoning for Conversational AI: A Survey of the State of the Art
Georgia Institute of Technology(佐治亚理工学院)
基于transformer的大型预训练语言模型,如BERT、GPT和T5,已经证明了对上下文语义和语言语法的深刻理解。他们的成功使对话式人工智能取得了重大进展,包括开发开放式对话系统,能够进行连贯、突出的对话,可以回答问题、随意聊天和完成任务。然而,最先进的模型仍然难以处理涉及更高层次推理的任务--包括人类认为微不足道的常识推理。本文介绍了最近的会话人工智能研究的调查集中在常识推理。本文列出了相关的训练数据集,并描述了将常识纳入对话式AI的主要方法。本文还讨论了用于评估会话AI问题中常识的基准。最后,本文提出了两个国家的最先进的开放式对话模型,BlenderBot 3和LaMDA的有限的常识能力的初步观察,其自然互动的负面影响。这些观察进一步激发了对会话AI中常识推理的研究。
2023-02-15 cs.CL cs.LG
Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);School of Information, Renmin University of China(中国人民大学信息学院);School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院)
该研究指出大语言模型时代现有对话推荐评估协议的局限,提出基于大语言模型用户模拟器的交互式评估方法iEvaLM,经公开数据集验证效果更优,同时验证了ChatGPT的推荐可解释性,为相关研究提供新评估框架。
2023-11-03 cs.CL cs.IR
A Conversation is Worth A Thousand Recommendations: A Survey of Holistic Conversational Recommender Systems
National University of Singapore(新加坡国立大学);NUS Graduate School for Integrative Sciences and Engineering(新加坡国立大学综合科学与工程研究生院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文综述了基于真实对话数据的整体对话推荐系统(CRS),将其归纳为骨干语言模型、外部知识与外部指导三个组件,并分析了相关数据集、评估方法及未来趋势。
2023-09-14 cs.CL cs.IR
Dialoging Resonance: How Users Perceive, Reciprocate and React to Chatbot's Self-Disclosure in Conversational Recommendations
Columbia University(哥伦比亚大学);University of California, Davis(加州大学戴维斯分校)
使用聊天机器人提供推荐越来越受欢迎。推荐聊天机器人的设计主要是通过关注推荐内容本身来采取以信息为中心的方法。有限的关注是如何社会联系和关系策略,如聊天机器人的自我披露,可能会影响用户的感知和接受的建议。在这项工作中,我们设计、实现和评估了一个社交聊天机器人,它能够执行三个不同级别的自我披露:事实信息(低)、认知观点(中)和情感(高)。在评估中,我们招募了372名参与者与聊天机器人就两个主题进行对话:电影和COVID-19体验。在每个主题中,聊天机器人都会进行简短的谈话,并提出与主题相关的建议。参与者被随机分配到四个实验条件下,聊天机器人使用事实,认知,情感和适应策略来执行自我披露。通过训练文本分类器来实时识别用户的自我披露水平,自适应聊天机器人可以动态地将其自我披露与用户表现出的披露水平相匹配。我们的研究结果表明,当推荐聊天机器人在整个对话中始终显示情感时,用户会以更高级别的自我披露作为回报。聊天机器人的情感披露也导致了对机器人的更高的互动享受和更积极的人际感知,培养了更强的人与聊天机器人的关系,从而提高了推荐的有效性,包括更高的接受推荐的倾向。我们讨论了所获得的理解和影响,未来的设计。
2022-11-10 cs.AI cs.CL
Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops
Spotify
本文提出合成数据生成与自我改进循环方法,优化会话推荐代理的规划与工具调用,在Spotify生产中提升质量8%,A/B测试显示收听量增14%、周活跃用户增5%、跳过率降5%。
2026-09-28 cs.AI cs.CL cs.IR
Graph Retrieval-Augmented LLM for Conversational Recommendation Systems
Griffith University(格里菲斯大学);Monash University(莫纳什大学);Nanjing University of Science and Technology(南京理工大学)
本文提出免训练的图检索增强大语言模型框架 G-CRS,通过 GNN 推理与 Personalized PageRank 检索构建结构化提示,以提升对话推荐系统的推荐性能。
2025-03-09 cs.AI cs.CL cs.IR
Unintended Bias in Language Model-driven Conversational Recommendation
University of Toronto(多伦多大学);Deakin University(迪肯大学);Vector Institute of Artificial Intelligence(向量人工智能研究院)
会话推荐系统(CRS)最近开始利用预训练的语言模型(LM),如BERT,因为它们能够语义地解释各种偏好语句的变化。然而,众所周知,预先训练的LM在其训练数据中倾向于固有偏差,这可能会因嵌入在特定于域的语言数据(例如,用户评论),用于微调CRS的LM。我们研究了最近引入的CRS的LM驱动的推荐主干(称为LMRec),以研究意外偏差,即,诸如名称引用或性取向或位置的间接指示符之类的语言变化不应影响推荐,这在餐馆推荐的显著改变的价格和类别分布中表现出来。我们观察到的令人震惊的结果强烈表明,LMRec已经学会通过其建议加强有害的陈规定型观念。例如,随意提及与黑人社区相关的名字会显著降低推荐餐馆的价格分布,而随意提及与男性相关的普通名字会导致推荐的酒类服务机构增加。这项工作中提出的这些和许多相关结果提出了一个危险信号,即LM驱动的CRS的语言处理能力的进步不会没有与减轻未来部署的CRS助理中的意外偏见相关的重大挑战,这些CRS助理可能会覆盖数亿最终用户。
2022-01-19 cs.AI cs.CL cs.HC
SafeCRS: Personalized Safety Alignment for LLM-Based Conversational Recommender Systems
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon(亚马逊)
SafeCRS通过整合安全监督微调与安全组奖励解耦归一化策略优化,提升基于大语言模型的对话推荐系统在个性化安全约束下的推荐质量与安全对齐能力。
2026-07-28 cs.AI cs.CL cs.IR
S-MARC: Causal Streaming Reasoning for Full-Duplex Conversational Behavior Modeling
University of California, Berkeley(加州大学伯克利分校);Zhejiang University(浙江大学);South China University of Technology(华南理工大学)
提出S-MARC框架,通过流式因果层次建模意图到动作路径,预测高层交际功能和低层交互行为,并构建高质量语料库,实现全双工对话中的鲁棒行为检测与可解释推理。
2026-05-28 cs.AI cs.CL
Improving Items and Contexts Understanding with Descriptive Graph for Conversational Recommendation
FPT Software(FPT软件公司);VinUniversity(文大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
本文提出对话推荐框架KLEVER,通过构建物品描述图在同一语义空间联合建模物品与上下文词,解决表示错位问题,在用户信息不足时显著提升推荐与对话生成性能。
2023-04-11 cs.CL cs.IR cs.LG