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
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
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
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
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
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
Conversational Recommender System
一个个性化的会话式销售代理可能有很大的商业潜力。电子商务公司，如亚马逊，eBay，京东，阿里巴巴等正在与他们的用户试点这种代理。然而，目前对该问题的研究还很有限，现有的解决方案要么是基于单轮自组织搜索引擎，要么是传统的多轮对话系统。它们通常只利用当前会话中的用户输入，而忽略用户的长期偏好。另一方面，众所周知，销售转化率可以基于推荐系统大大提高，推荐系统基于过去的购买行为学习用户偏好，并优化面向业务的指标，如转化率或预期收入。在这项工作中，我们建议将对话系统和推荐系统的研究整合到一个新的和统一的深度强化学习框架中，以构建一个个性化的会话推荐代理，该代理优化了基于每个会话的效用函数。
2018-06-08 cs.IR
A Multi-Agent Conversational Recommender System
Shandong University（山东大学）；KAUST（阿卜杜拉国王科技大学）；Leiden University（莱顿大学）
针对LLM用于对话推荐时对话流程难管控、用户反馈未被充分利用的问题，提出含多智能体行为规划框架和用户反馈感知反思机制的MACRS系统，实验证明其能提升用户交互体验。
2024-02-02 cs.CL cs.IR
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
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
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
Conversational Recommender System and Large Language Model Are Made for Each Other in E-commerce Pre-sales Dialogue
Harbin Institute of Technology（哈尔滨工业大学）
本文首次探索电商售前对话中LLM与CRS的互补协作，提出CRS辅助LLM和LLM辅助CRS两种方法，并在真实数据集上验证其在多个任务中的有效性。
2024-10-18 cs.CL 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
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
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: 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
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
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
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
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
HGCRS: Hypergraph-Enhanced 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。
2026-11-06 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
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
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
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
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
Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
Monash University（莫纳什大学）
提出多目标框架自动优化LLM提示，以生成更真实、多样化的用户模拟行为，缓解对话推荐系统中的评估与数据获取难题。
2026-07-02 cs.AI cs.CL 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
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
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
A Large Language Model Enhanced Conversational Recommender System
University College London（伦敦大学学院）；Kuaishou Technology（快手科技）；Nanyang Technology University（南洋理工大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文提出LLMCRS，通过LLM管理对话式推荐子任务并与专家模型协作，结合RLPF强化学习微调，在基准数据集上优于现有方法。
2023-08-11 cs.CL cs.IR
Leveraging Historical Interaction Data for Improving Conversational Recommender System
School of Information, Renmin University of China（中国人民大学信息学院）；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（大数据管理与分析方法北京市重点实验室）；Meituan-Dianping Group（美团点评集团）
近年来，会话式推荐系统（CRS）已经成为一个新兴的和实用的研究课题。大多数现有的CRS方法专注于从会话数据中学习用户的有效偏好表示。同时，我们采取了一个新的视角来利用历史交互数据来改善CRS。为此，我们提出了一种新的预训练方法，通过预训练方法整合基于项目的偏好序列（来自历史交互数据）和基于属性的偏好序列（来自会话数据）。我们精心设计了两个预训练任务，以加强基于项目和属性的偏好之间的信息融合。为了提高学习性能，我们进一步开发了一个有效的负样本生成器，可以产生高质量的负样本。在两个真实数据集上的实验结果证明了该方法对CRS的有效性。
2020-08-19 cs.AI cs.CL cs.HC
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
Estimation-Action-Reflection: Towards Deep Interaction Between Conversational and Recommender Systems
推荐系统采用会话技术动态获取用户偏好，并克服其静态模型的固有局限性。一个成功的会话式推荐系统（CRS）需要正确处理会话和推荐之间的交互。我们认为，需要解决三个基本问题：1）问什么问题的项目属性，2）何时推荐项目，3）如何适应用户的在线反馈。据我们所知，缺乏一个解决这些问题的统一框架。在这项工作中，我们提出了一个新的CRS框架，名为估计-行动-反思，或CRS，它包括三个阶段，以更好地与用户交谈，以填补这一缺失的交互框架的差距。(1)估计，它建立预测模型来估计用户对项目和项目属性的偏好;（2）动作，它学习对话策略，以确定是否询问属性或推荐项目，基于估计阶段和会话历史;以及（3）反射，当用户拒绝Action阶段提出的建议时，它更新推荐模型。我们提出了两个对话的情况下，二进制和枚举的问题，并进行广泛的实验，从Yelp和LastFM的两个数据集，为每个场景，分别。我们的实验表明，与最先进的方法CRM [32]相比，显着改进，对应于更少的会话回合和更高水平的推荐命中率。
2020-02-21 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
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
Leveraging Large Language Models in Conversational Recommender Systems
Google Research（谷歌研究院）
本文提出使用LLMs构建端到端大规模对话式推荐系统（CRS）的路线图，通过集成架构实现用户偏好理解、灵活对话管理和可解释推荐，并引入RecLLM作为概念验证。
2023-05-16 cs.CL cs.IR cs.LG
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
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
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
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
Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems
Griffith University（格里菲斯大学）；School of Information and Communication Technology（信息与通信技术学院）
本文提出KERL框架，融合知识图谱与预训练语言模型增强对话推荐系统中的实体表示，并构建WikiMKG知识图谱，在推荐和回复生成任务上达到最优性能。
2024-05-01 cs.AI cs.CL 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
Deep Conversational Recommender in Travel
Tsinghua University（清华大学）；National University of Singapore（新加坡国立大学）
当前往外国旅行时，我们经常迫切需要一个智能会话代理，为我们的各种查询提供即时和信息性的响应。然而，建立这样一个旅行社是不平凡的。首先，旅行自然涉及几个子任务，如酒店预订，餐厅推荐和出租车预订等，这就需要全局主题控制。其次，代理应考虑各种限制，如价格或距离由用户推荐一个合适的地点。在本文中，我们提出了一个深度会话推荐（DCR），并应用于旅游。它使用神经潜在主题组件增强了序列到序列（seq2seq）模型，以更好地指导响应生成并使训练更容易。为了考虑场地推荐的各种约束，我们利用基于图卷积网络（GCN）的方法来捕获不同场地之间的关系以及场地和对话上下文之间的匹配。对于响应生成，我们结合了基于主题的组件与指针网络的想法，这使我们能够有效地将推荐结果。我们进行了广泛的评估多轮任务导向的对话数据集在旅游领域和结果表明，我们的方法实现了优越的性能相比，广泛的基线。
2019-06-25 cs.AI cs.CL cs.IR
