FacetCRS: Multi-Faceted Preference Learning for Pricking Filter Bubbles in Conversational Recommender System
Sun Yat-sen University（中山大学）；Jinan University（暨南大学）；Guangdong University of Technology（广东工业大学）
针对推荐系统中过滤气泡随时间加剧的问题，提出FacetCRS框架，通过多面偏好学习建模用户动态偏好，在对话推荐系统中实现端到端推荐，实验证明其有效缓解过滤气泡并提升推荐质量。
2026-09-18 cs.AI cs.HC 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
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
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
ReGeS: Reciprocal Retrieval-Generation Synergy for Conversational Recommender Systems
University of Delaware（德克萨斯大学）
针对对话式推荐系统，提出互惠检索-生成协同框架ReGeS，通过生成增强检索提炼用户意图和检索增强生成区分物品细微特征，无需额外标注，在多个基准上取得最先进推荐准确性。
2025-09-22 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
Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems
Salesforce AI Research（赛富时人工智能研究院）
本文提出SalesOps框架，利用大语言模型构建SalesBot和ShopperBot模拟对话式推荐系统，通过人体研究对比SalesBot与专业销售员，发现其在流畅性和信息量上接近专业水平但推荐质量仍有差距，并揭示了CRS中确保信息真实性的挑战。
2023-10-26 cs.AI cs.CL
SimInter: Evidence-Grounded User Simulation with Interview-Based Profile Enrichment for Conversational Recommender Systems
University of Tehran（德黑兰大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
本研究提出SimInter，一种基于LLM智能体合成访谈的用户模拟流水线，用于丰富对话式推荐系统的用户画像，在电影推荐实验中显著提升了偏好维度多样性，且人工评估验证了其有效性。
2026-10-14 cs.AI cs.CL 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
Evaluating User Experience in Conversational Recommender Systems: A Systematic Review Across Classical and LLM-Powered Approaches
School of Computer Science, University of Technology Sydney（技术科技大学计算机科学学院）；The Applied College, King Abdulaziz University（国王阿卜杜勒阿齐兹大学应用学院）；Australian Institute of Health Innovation, Macquarie University（麦考瑞大学健康创新研究所）
本综述基于PRISMA方法分析2017-2025年间23项实证研究，揭示对话式推荐系统用户体验评估存在事后调查主导、情感构念缺失及自适应行为关联不足等问题，并提出面向LLM的评估议程。
2025-08-06 cs.AI cs.HC 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
Beyond Persuasion: Towards Conversational Recommender System with Credible Explanations
Sichuan University（四川大学）；Singapore Management University（新加坡管理大学）；National University of Singapore（新加坡国立大学）
针对现有对话推荐系统解释易含不可信信息、损害用户长期信任的问题，提出PC-CRS方法，通过可信度感知说服策略和事后自反思生成兼具说服力与可信度的解释，验证了其有效性及可信解释对推荐准确率的提升潜力。
2024-10-07 cs.AI cs.CL
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
A LLM-based Controllable, Scalable, Human-Involved User Simulator Framework for Conversational Recommender Systems
School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）
针对现有对话推荐系统用户模拟器的局限性，提出基于LLM的CSHI可控可扩展人机协同模拟器框架，通过插件管理器管控模拟行为，适配多场景并生成高拟真用户反馈，助力CRS评估与数据集构建。
2024-05-13 cs.AI cs.HC
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
Beyond Retrieval: Generating Narratives in Conversational Recommender Systems
Google（谷歌公司）
针对LLM难以整合推荐知识生成适配推荐的自然语言的问题，本文提出对话式推荐叙事生成数据集REGEN及CF-LLM融合基线架构，验证了两类嵌入结合可提升生成效果。
2024-12-10 cs.AI cs.CL cs.IR
Enhancing Conversational Recommender Systems with Tree-Structured Knowledge and Pretrained Language Models
针对现有对话推荐系统在PLM推理、知识过滤和协同偏好建模方面的挑战，提出PCRS-TKA框架，通过构建对话知识树并结合检索增强生成，提升推荐准确性和对话质量。
2025-11-16 cs.AI
Towards Unified Conversational Recommender Systems via Knowledge-Enhanced Prompt Learning
Renmin University of China（中国人民大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
本文针对对话推荐中推荐与对话模块架构割裂、整合困难的问题，提出基于知识增强提示学习的统一模型 UniCRS，在两个公开数据集上验证了有效性。
2022-06-19 cs.AI cs.CL cs.IR
Conversational Recommendation: A Grand AI Challenge
University of Klagenfurt（克拉根福大学）；Hong Kong Baptist University（香港浸会大学）
动画化身，看起来和说话都像人类，是人工智能系统未来的标志性愿景。通过许多科幻电影，我们熟悉了与这些虚拟人物交谈的想法，就好像他们是人类一样。今天，我们越来越多地谈论像苹果Siri这样的机器，例如，向他们要天气预报然而，当被要求提供建议时，例如，对于要去的餐馆来说，这种设备的局限性很快变得明显。他们不会参与谈话来找出我们可能更喜欢的东西，他们通常不会为他们推荐的东西提供解释，他们可能很难记住一分钟前说过的话。会话式推荐系统有望解决这些限制。在本文中，我们回顾了构建此类系统的现有方法，我们今天观察到的发展，哪些挑战仍然存在，以及为什么对话式机器人的发展代表了人工智能的下一个重大挑战之一。
2022-03-17 cs.AI cs.HC cs.IR
Improving Conversational Recommender System via Contextual and Time-Aware Modeling with Less Domain-Specific Knowledge
The Chinese University of Hong Kong（香港中文大学）；Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
会话式推荐系统（CRS）是一个新兴的研究课题，它通过交互式会话进行推荐，通常由生成和推荐模块组成。之前关于CRS的工作往往会融入更多外部和特定领域的知识，例如项目评审，以提高绩效。尽管外部特定领域信息的收集和注释需要大量的人力，并降低了可概括性，但过多的额外知识会增加它们之间平衡的难度。因此，我们建议从上下文中充分发现和提取内部知识。我们捕获实体级和上下文级的表示，以共同建模用户的偏好的建议，其中时间感知的注意力被设计为强调最近出现的项目在实体级表示。我们进一步使用预训练的BART来初始化生成模块，以缓解数据稀缺并增强上下文建模。除了在一个流行的数据集（ReDial）上进行实验外，我们还包括一个多域数据集（OpenDialKG）来展示我们模型的有效性。在两个数据集上的实验表明，我们的模型在大多数评估指标上具有更好的性能，并且具有更少的外部知识，并且可以很好地推广到其他领域。对推荐任务和生成任务的分析表明了该模型在不同场景下的有效性。
2022-09-23 cs.AI cs.CL
Alleviating the Long-Tail Problem in Conversational Recommender Systems
Beijing Institute of Technology（北京理工大学）；Renmin University of China（中国人民大学）；Huawei（华为）
本文提出LOT-CRS框架，通过模拟平衡数据集、设计两个预训练任务及结合标签平滑的检索增强微调，有效缓解对话式推荐系统中的长尾问题，显著提升长尾物品推荐性能。
2023-07-21 cs.AI cs.IR
Research on Conversational Recommender System Considering Consumer Types
针对现有对话推荐系统忽视用户异质决策风格和知识水平的问题，提出CT-CRS框架，融合消费者类型建模与逆强化学习，在多个数据集上提升推荐成功率并减少交互轮次。
2025-09-09 cs.AI cs.IR cs.SI
Concept -- An Evaluation Protocol on Conversational Recommender Systems with System-centric and User-centric Factors
Sichuan University（四川大学）；National University of Singapore（新加坡国立大学）
本文提出融合系统中心与用户中心因素的对话推荐系统评估协议Concept，通过LLM模拟器与定制评分标准评估六项能力，揭示现有模型优缺点及ChatGPT可用性问题，为CRS改进提供参考。
2024-05-06 cs.AI cs.CL
RecUserSim: A Realistic and Diverse User Simulator for Evaluating Conversational Recommender Systems
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学光明学院）；Huawei Noah's Ark Lab（华为诺亚实验室）；Huawei Technologies Ltd.（华为技术有限公司）
针对对话式推荐系统评估难题，提出基于大语言模型智能体的用户模拟器RecUserSim，通过多模块设计提升模拟真实度与多样性并提供明确评分，实验验证其在多类基础模型下均能有效支撑CRS评估。
2025-06-25 cs.AI cs.HC
Generating Usage-related Questions for Preference Elicitation in Conversational Recommender Systems
University of Stavanger（斯塔万格大学）；Google UK（英国谷歌）
本文提出通过询问物品用途的隐式问题来获取对话式推荐系统中的用户偏好，并构建了众包标注数据集及四个问题生成模型，验证了该方法在有限数据下的有效性。
2025-04-08 cs.AI cs.CL cs.IR
RecToM: A Benchmark for Evaluating Machine Theory of Mind in LLM-based Conversational Recommender Systems
SMU（德克萨斯南方大学）
RecToM是一个用于评估基于LLM的对话推荐系统中机器理论 of mind 能力的新基准，重点关注认知推理和行为预测两个维度。
2025-11-27 cs.AI
Navigating User Experience of ChatGPT-based Conversational Recommender Systems: The Effects of Prompt Guidance and Recommendation Domain
Hong Kong Baptist University（香港浸会大学）；Duke Kunshan University（昆山杜克大学）
本研究开发基于ChatGPT的对话式推荐系统，通过在线实验（N=100）考察提示引导和推荐领域对用户体验的影响，发现提示引导提升系统可解释性等指标，且效果受推荐领域调节。
2024-05-22 cs.AI cs.HC
An End-to-End ML System for Personalized Conversational Voice Models in Walmart E-Commerce
Walmart Labs（沃尔玛实验室）
由于推荐系统的发展，在电子商业领域搜索产品和做出产品决策变得越来越容易。个性化和推荐系统已经携手帮助客户满足他们的购物需求，并在此过程中改善他们的体验。随着购物对话平台的日益普及，大规模构建个性化模型以处理大量涌入的数据并实时执行推理变得非常重要。在这项工作中，我们提出了一个端到端的个性化会话语音商务机器学习系统。我们包括对模型的隐式反馈，模型训练，更新评估和实时推理引擎的组件。我们的系统为沃尔玛杂货店的客户提供个性化的语音购物，目前可通过Google Assistant，Siri和Google Home设备使用。
2020-11-02 cs.AI cs.IR cs.LG
LumiCRS: Asymmetric Contrastive Prototype Learning for Long-Tail Conversational Recommender Systems
Systems Engineering Institute, Xi’an Jiaotong University（系统工程研究院，西安交通大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究所，中国科学院）；State Key Laboratory of Multiphase Flow in Power Engineering, School of Energy and Power Engineering, Xi’an Jiaotong University（能源动力工程学院，西安交通大学，多相流动力学国家重点实验室）；School of Electronic Science and Engineering, Xi'an Jiaotong University（电子科学与工程学院，西安交通大学）；School of Software, Xi’an Jiaotong University（软件学院，西安交通大学）
LumiCRS通过自适应焦点损失、原型学习和GPT-4o驱动的对话增强三层协作，缓解对话推荐中的长尾偏置，在REDIAL和INSPIRED上将Recall@10与Tail-Recall@10提升7-15%。
2025-07-20 cs.AI
$τ$-Rec: A Verifiable Benchmark for Agentic Recommender Systems
Independent Researcher（独立研究员）；Princeton University（普林斯顿大学）
针对多轮对话式智能推荐系统评估中主观性强、成本高的问题，提出$τ$-Rec基准，通过可验证奖励和揭示标记引导机制，结合pass^k可靠性指标，系统评估模型推理一致性，发现当前最佳模型可靠性仅约57%。
2026-07-28 cs.AI cs.CL cs.IR
Conversational Recommendation System using NLP and Sentiment Analysis
Pune Institute of Computer Technology（浦那计算机技术学院）
本文提出融合深度学习、语音识别、NLP 与情感分析的对话式推荐系统，结合基于内容与协同过滤方法，以提升营销场景中的个性化和情境感知推荐能力。
2025-05-17 cs.AI cs.IR
From Gradient-Boosted Trees to Deep Recommenders: Practical Lessons from Migrating a Production Customer Support Recommender
Intuit（英图易公司）
本文介绍了将生产环境客户支持推荐系统从梯度提升树迁移到成对二元深度推荐器的实践，通过多种技术优化后，该方法在对话后期的推荐性能优于CatBoost基线。
2026-08-26 cs.AI cs.LG
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
User-Centric Conversational Recommendation with Multi-Aspect User Modeling
University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）；Beihang University（北京航空航天大学）；Institute of Intelligent Computing Technology（智能计算技术研究所）
会话式推荐系统（CRS）的目标是在会话中提供高质量的推荐。然而，大多数常规CRS模型主要关注当前会话的对话理解，而忽略了中心主题的其他丰富的多方面信息（即，用户）推荐。在这项工作中，我们强调，用户的历史对话会话和外观相似的用户是用户偏好的重要来源，除了当前的对话会话在CRS。为了系统地对多方面信息进行建模，我们提出了一个以用户为中心的会话推荐（UCCR）模型，该模型回归了CRS任务中用户偏好学习的本质。具体来说，我们提出了一个历史会话学习器，以捕捉用户的多视图偏好的知识，语义和消费的意见作为补充，以目前的偏好信号。多视图偏好映射器通过自监督目标来学习当前和历史会话中不同视图之间的内在相关性。我们还设计了一个时间相似用户选择器，通过相似用户来理解用户。所学习的多方面多视图用户偏好然后被用于推荐和对话生成。在实验中，我们对中文和英文CRS数据集进行了综合评价。与竞争模型相比，UCCR在推荐和对话生成方面的显著改进验证了其优越性。
2022-04-25 cs.AI cs.IR
Towards Personalized Conversational Sales Agents: Contextual User Profiling for Strategic Action
Yonsei University（延世大学）
本文提出对话式销售任务CSALES及智能体CSI，通过推断上下文用户画像并策略性选择行动，在统一框架中整合偏好挖掘、推荐与说服，显著提升推荐成功率和说服效果。
2025-08-07 cs.AI cs.IR
Bridging Conversational and Collaborative Signals for Conversational Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对对话推荐系统（CRS）缺乏协同过滤（CF）信号的问题，提出Reddit-ML32M数据集及基于LLM的框架，通过关联对话与交互数据优化推荐排序，命中率提升12.32%、NDCG提升9.9%。
2025-02-10 cs.AI cs.IR cs.LG
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
ScienceDB AI: An LLM-Driven Agentic Recommender System for Large-Scale Scientific Data Sharing Services
Computer Network Information Center, Chinese Academy of Sciences, Beijing, China（中国科学院计算机网络信息中心）
ScienceDB AI 是首个基于大语言模型的对话推荐系统，专为大规模科学数据共享服务设计，通过自然语言对话和深度推理实现精准的数据集推荐。
2026-01-03 cs.AI cs.DL 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
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
Towards Fair Conversational Recommender Systems
会话式推荐系统已经取得了巨大的成功。它们可以准确地捕捉用户当前的详细偏好--通过多轮交互循环--有效地引导用户进行更个性化的推荐。唉，会话式推荐系统可能会受到偏见的负面影响的困扰，就像传统的推荐系统一样。在这项工作中，我们主张增加对这些新兴系统的存在和抵消偏见的方法的关注。作为一个出发点，我们提出了三个基本问题，应该深入研究，使公平的会话推荐系统。
2022-08-20 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
IAI MovieBot: A Conversational Movie Recommender System
会话式推荐系统支持用户通过多轮会话实现与广告相关的目标。为了更好地模拟动态变化的用户偏好，并为社区提供一个可重用的开发框架，我们引入了IAI MovieBot，一个对话式的电影推荐系统。它具有特定于任务的对话流，多模式聊天界面，以及处理动态变化的用户偏好的有效方法。该系统是开源的，并作为Telegram上的一个频道运营。
2020-09-08 cs.IR
Identifying Breakdowns in Conversational Recommender Systems using User Simulation
本文提出一种利用用户模拟系统测试对话推荐系统故障的方法，通过预定义故障类型和对话路径分析，作为诊断与开发工具，在案例研究中经少量迭代提升系统鲁棒性。
2024-05-23 cs.IR
Understanding User Preferences for Interaction Styles in Conversational Recommender Systems: The Predictive Role of System Qualities, User Experience, and Traits
School of Computer Science, University of Technology Sydney（技术科技大学计算机科学学院）；Australian Institute of Health Innovation, Macquarie University（麦觉里大学健康创新研究所）
本研究通过受试者内实验发现，愉悦感、有用性、新颖性和对话质量等预测用户对探索性交互的偏好，并识别出五种用户画像，为对话式推荐系统的自适应设计提供依据。
2025-08-04 cs.CL cs.HC cs.IR
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
UserSimCRS: A User Simulation Toolkit for Evaluating Conversational Recommender Systems
我们提出了一个可扩展的用户模拟工具包，以促进自动评价会话式推荐系统。它建立在一个既定的基于XML的方法，并扩展了几个新的元素，包括用户满意度预测，人物和上下文建模，并有条件的自然语言生成。我们展示了一个预先存在的电影推荐系统的工具包，并展示了它的能力，模拟真实的对话，同时只需要少量的手动注释的对话作为训练数据。
2023-01-24 cs.IR
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
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
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
Lending Interaction Wings to Recommender Systems with Conversational Agents
针对传统推荐系统在线捕捉用户偏好的需求，提出即插即用的CORE对话推荐范式，通过不确定性最小化框架连接对话智能体与推荐系统，经工业数据集验证可适配多种主流推荐方法，结合大模型可实现类人交互。
2023-10-06 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
