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
Beyond Whole Dialogue Modeling: Contextual Disentanglement for Conversational Recommendation
针对对话式推荐中整体建模忽视信息纠缠的问题，提出DisenCRS模型，采用自监督对比与反事实推理双解耦框架区分焦点与背景信息，并引入自适应提示学习，显著提升推荐与回复生成性能。
2025-04-24 cs.IR
Interactive Path Reasoning on Graph for Conversational Recommendation
传统的推荐系统根据用户过去的交互历史来估计用户对项目的偏好，从而在获得细粒度和动态的用户偏好方面受到限制。会话式推荐系统（CRS）通过使系统能够直接询问用户关于物品的偏好属性，从而为这些限制带来了革命。然而，现有的CRS方法没有充分利用这一优势-他们只使用属性反馈，而隐含的方式，如更新潜在的用户表示。在本文中，我们提出了会话路径推理（CPR），一个通用的框架，模型会话推荐作为一个互动的路径推理问题的图。它通过遵循用户反馈来遍历属性顶点，以显式的方式利用用户偏好的属性。通过利用图结构，CPR能够修剪掉许多不相关的候选属性，从而更好地命中用户偏好的属性。为了演示CPR是如何工作的，我们提出了一个简单而有效的实例化，名为SCPR（简单CPR）。我们进行实证研究的多轮会话推荐的情况下，最现实的CRS设置，到目前为止，考虑多轮询问属性和推荐项目。通过在两个数据集Yelp和LastFM上的大量实验，我们验证了我们的SCPR的有效性，它显着优于最先进的CRS方法ARXiv（arXiv：2002.09102）和CRM（arXiv：1806.03277）。特别是，我们发现，有更多的属性，我们的方法可以实现更多的优势。
2020-07-01 cs.IR
Chain-of-Choice Hierarchical Policy Learning for Conversational Recommendation
本文提出多类型属性多轮对话推荐问题设置MTAMCR，并设计链式选择分层策略学习框架CoCHPL，通过分层强化学习同时优化提问效率与推荐效果，在四个基准上超越现有方法。
2024-04-03 cs.IR
CESRec: Constructing Pseudo Interactions for Sequential Recommendation via Conversational Feedback
CESRec框架通过对话反馈构建伪交互序列，结合序列推荐的长期偏好与对话推荐的实时偏好，并采用双对齐离群项掩蔽提升性能，在实验中达到最先进水平。
2025-09-11 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
Would You Like to Hear the News? Investigating Voice-BasedSuggestions for Conversational News Recommendation
基于语音的个人助理的主要好处之一是可以主动推荐相关和有趣的信息。这些信息最有价值的来源之一是新闻。然而，为了让用户听到有用的和与他们相关的新闻，必须以有趣和信息丰富的方式推荐。然而，据我们所知，如何为基于语音的推荐呈现新闻项目仍然是一个悬而未决的问题。在本文中，我们经验比较不同的方式推荐新闻，或特定的新闻项目，在基于语音的会话设置。具体来说，我们研究了呈现新闻推荐的五种不同变体的用户参与度和满意度：（1）通用新闻简报;（2）与当前对话相关的特定实体的新闻;（3）关于过去对话中的实体的新闻;（4）关于热门新闻主题的新闻;以及（5）默认-一般谈论新闻的建议。我们的研究结果表明，与简报推荐相比，基于实体的新闻推荐的接受度高出29%，与推荐通用或趋势新闻相比，接受度几乎高出100%。我们对新闻推荐的呈现方式和由此产生的见解的调查可以使语音助手更具信息性和吸引力。
2020-06-02 cs.IR
When and How to Ask: Dynamic Preference Elicitation Strategies for Conversational Recommendation
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博）
研究对话推荐中偏好引出策略，发现最优策略具阶段依赖性与上下文敏感性。引入InPE数据集，提出COPE架构。离线评估表明上下文感知策略有益，分析预测策略揭示对话阶段趋势，为交互模式提供证据。
2026-07-09 cs.IR
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
Unified Conversational Recommendation Policy Learning via Graph-based Reinforcement Learning
会话式推荐系统（CRS）使得传统的推荐系统能够通过交互式会话显式地获取用户对项目和属性的偏好。强化学习（RL）被广泛用于学习会话推荐策略，以决定在每个会话回合询问什么属性、推荐哪些项目以及何时询问或推荐。然而，现有的方法主要针对这三个决策问题中的一个或两个问题，这限制了CRS的可扩展性和通用性，并且不能保持稳定的训练过程。鉴于这些挑战，我们建议制定这三个决策问题在CRS作为一个统一的策略学习任务。为了系统地集成会话和推荐组件，我们开发了一种基于动态加权图的RL方法来学习策略，以在每个会话回合选择动作，无论是询问属性还是推荐项目。此外，为了解决样本效率问题，我们提出了两种根据偏好和熵信息来减少候选动作空间的动作选择策略。在两个基准CRS数据集和一个真实电子商务应用上的实验结果表明，该方法不仅显著优于现有方法，而且提高了CRS的可扩展性和稳定性。
2021-05-20 cs.IR
Dual-space Hierarchical Learning for Goal-guided Conversational Recommendation
提出双空间层次学习（DHL），利用多层次目标序列及层次关系，通过表示空间与优化空间的双重学习，提升对话推荐系统引导对话至推荐场景的效果。
2023-12-30 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
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
Constraint-Aware Conversational Job Recommendation in Code-Mixed Low-Resource Settings
East West University（东西大学）；University of California San Diego（加州大学圣地亚哥分校）
针对低资源代码混合环境下的对话式职位推荐，提出JobCCC基准和W-SCAR排序框架，通过软约束感知避免严格过滤导致的职位误删，在英语和孟加拉语-英语混合语上分别取得37.37%和38.43%的Hit@10。
2026-10-06 cs.IR
What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation
经过大量预训练的Transformer模型，如BERT，最近在语言建模方面表现出了非常强大的能力，在许多下游任务上都取得了令人印象深刻的结果。研究还表明，它们能够在预训练后将事实知识隐式地存储在它们的参数中。了解LM的预训练过程实际上学习了什么是使用和改进会话推荐系统（CRS）的关键步骤。我们首先研究了现成的预先训练的BERT对书籍、电影和音乐等推荐项目“知道”多少。为了分析存储在BERT的参数中的知识，我们使用了不同的探针，这些探针需要不同类型的知识来求解，即基于内容的和基于协作的。基于内容的知识是需要模型将项目的标题与其内容信息（如文本描述和流派）相匹配的知识。相比之下，基于协作的知识需要模型根据社区交互（如评级）将项目与相似项目进行匹配。我们借助BERT的Masked Language Modelling头来探测它对项目类型的知识，并使用完形填空风格提示。此外，我们采用BERT的Next Sentence Prediction头和表示的相似性来比较相关和不相关的搜索和推荐查询文档输入，以探索BERT是否可以在没有任何微调的情况下将相关项排在第一位。最后，我们研究了BERT在会话推荐下游任务中的表现。总的来说，我们的分析和实验表明：（i）BERT在其参数中存储了关于书籍、电影和音乐内容的知识;（ii）它具有更多基于内容的知识，而不是基于协作的知识;（iii）当面对对抗性数据时，…
2021-03-04 cs.IR
Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences
针对对话推荐系统单一用户表示难以区分用户喜好与厌恶等对比意图的问题，提出CORAL模型，借助LLMs通过对比偏好扩展提取隐藏偏好并融入推荐，在三个基准数据集上Recall@10最高提升99.72%。
2025-03-27 cs.IR
MICROS: Mixed-Initiative ConveRsatiOnal Systems Workshop
IASI-CNR（意大利国家研究委员会信息分析与系统研究所）；ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）；University of Amsterdam（阿姆斯特丹大学）
第一期混合主动式会话系统研讨会（MICROS@ECIR2021）旨在调查和收集会话系统领域的新想法和贡献。通常，用户使用智能手机和家庭助理来满足他们的信息需求。这彻底改变了用户访问在线信息的方式，因此与传统的搜索和推荐相比提出了新的挑战。第一版的MICROS将特别关注混合主动会话系统。事实上，会话系统需要主动，不仅要提出答案，还要对模棱两可或模糊的请求做出可能的解释。
2021-01-25 cs.CL 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
Explicit Knowledge Graph Reasoning for Conversational Recommendation
针对传统推荐系统的局限及现有会话推荐系统存在的用户需回答大量问题、属性与物品表征有语义鸿沟的问题，提出融合知识图谱的KECR框架，提升推荐准确率与用户体验，实验验证其优于现有最优方法。
2023-05-01 cs.IR
Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval
Infobip
该研究针对电商目录动态变化问题，提出与商家无关的多轮对话购物助手，核心为自刷新检索器，仅处理目录增量，对话层用LLM做意图分类，演示为WhatsApp购物助手。
2026-08-28 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
Rethinking Conversational Recommendations: Is Decision Tree All You Need?
会话式推荐系统（CRS）通过多轮问答动态获取用户偏好。现有的CRS解决方案广泛地由深度强化学习算法主导。然而，深度强化学习方法经常因缺乏可解释性和需要大量训练数据来执行而受到批评。在本文中，我们探索了一个更简单的替代方案，并提出了一个基于决策树的解决方案CRS。CRS中的潜在挑战是，不同的用户可以对同一项目进行不同的描述。我们表明，决策树是足够的用户和项目之间的互动的特点，并解决了多轮CRS的关键挑战：即问哪些问题，如何排名的候选项目，何时推荐，以及如何处理的建议负反馈。首先，决策树的训练使我们能够找到有效缩小搜索空间的问题。其次，通过学习每个项目和树节点的嵌入，可以基于候选项目与由树节点编码的会话上下文的相似性对候选项目进行排名。第三，与每个树节点相关联的项目的多样性允许我们开发早期停止策略来决定何时进行推荐。第四，当用户拒绝推荐时，我们自适应地选择下一棵决策树来改进后续的问题和推荐。在三个公开的基准CRS数据集上进行的大量实验表明，我们的方法对现有的CRS方法有显著的改进。
2022-08-31 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
Retrieval Augmented Conversational Recommendation with Reinforcement Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Google DeepMind（谷歌DeepMind）；UC San Diego（加州大学圣地亚哥分校）
本文提出RAR框架，通过动态结合检索与生成提升推荐性能与事实性，构建大规模电影语料库并引入强化学习方法优化候选集。
2026-04-13 cs.IR
Failure Prediction in Conversational Recommendation Systems
本文提出有监督对话性能预测任务，利用多轮检索图像嵌入和基于 AutoEncoder 的模型预测对话推荐失败，并区分系统失败与目录失败。
2025-07-23 cs.IR
AdaptJobRec: Enhancing Conversational Career Recommendation through an LLM-Powered Agentic System
AdaptJobRec提出首个LLM驱动的智能体对话式职业推荐系统，通过查询复杂度识别与记忆分解机制，在沃尔玛场景中降低53.3%延迟并提升推荐准确性。
2025-10-14 cs.AI cs.IR
Optimizing Conversational Product Recommendation via Reinforcement Learning
Independent Researcher（独立研究者）
本文提出基于强化学习的对话策略优化方法，通过反馈学习最优推荐时机与方式，在遵守约束的同时提升用户参与度和产品转化率。
2025-06-30 cs.IR cs.LG
COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce
Rutgers University（罗格斯大学）；HPI/University of Potsdam（波茨坦大学哈索·普拉特纳研究院）
在这项工作中，我们提出了一个新的数据集的会话推荐知识图谱在电子商业平台称为COOKIE。该数据集是从亚马逊评论语料库构建的，通过集成用户代理对话和自定义知识图谱进行推荐。具体来说，我们首先构建一个统一的知识图谱，并提取用户-产品对之间的关键实体，作为对话的骨架。然后，我们模拟会话反映人类粗到细的过程中选择首选项。所提出的基线和实验表明，我们的数据集能够为会话推荐提供创新的机会。
2020-08-21 cs.AI cs.CL cs.IR
LLM-as-a-Judge for Evaluating System Responses in Conversational Music Recommendation
KAIST（韩国科学技术院）；Deezer Research（Deezer 研究院）；SiriusXM；Idiap Research Institute（伊迪亚普研究所）
研究对话式音乐推荐系统中用大语言模型评估系统响应的可靠性，通过抽取会话、用四个指令微调的大语言模型生成候选响应，收集领域专家评分并分析，发现其与人工评估适度正相关且优于基线，还分析了性能随模型规模等的变化。
2026-07-29 cs.IR
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
A Conceptual Framework for Conversational Search and Recommendation: Conceptualizing Agent-Human Interactions During the Conversational Search Process
University of Strathclyde（思克莱德大学）；University of Glasgow（格拉斯哥大学）
本研究针对对话式搜索任务，构建了涵盖用户与智能体行为及意图的概念框架，梳理关键决策节点，为对话式搜索智能体的研发与评估提供基础框架。
2024-04-12 cs.AI cs.IR
A Bayesian Approach to Conversational Recommendation Systems
IDSIA（瑞士人工智能研究所）；Stagend（Stagend公司）
我们提出了一个基于贝叶斯方法的会话推荐系统。在与用户的任何交互之后更新项目的概率质量函数，其中信息理论标准最佳地塑造交互并决定何时应终止对话并因此推荐最可能的项目。专用的启发技术的先验概率的参数建模的相互作用来自基本的结构判断。这样的先验信息可以与历史数据组合以区分具有不同推荐历史的项目。最后，以\emph{stagend.com}为例，讨论了该方法在艺人预约平台上的应用，并进行了实证分析，证明了该方法在推荐质量和推荐效率方面的优势。
2020-02-12 cs.AI 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
Towards Retrieval-based Conversational Recommendation
会话式推荐系统近年来引起了广泛的关注。最新的方法依赖于在人类之间记录的对话上训练的神经模型，实现端到端的学习过程。这些系统通常被设计为在给定用户的话语的情况下以自然语言生成响应。一个主要的挑战是，这些生成的响应都必须适合给定的对话上下文，必须是语法和语义正确的。这种基于生成的方法的替代方案是从预先记录的对话数据中检索响应，并在需要时调整它们。这种基于检索的方法在一般会话系统的背景下成功地进行了探索，但近年来在CRS中受到的关注有限。在这项工作中，我们重新评估这种方法的潜力，并设计和评估一种新的响应检索和排名技术。一项用户研究（N=90）显示，我们的系统的响应平均质量高于最近两代的系统。我们还发现，这两种基于世代的方法的质量排名与文献结果不一致，这表明存在开放的方法学问题。总体而言，我们的研究强调，检索为基础的方法应被视为替代或补充语言生成的方法。
2021-09-06 cs.IR
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
Towards Hierarchical Policy Learning for Conversational Recommendation with Hypergraph-based Reinforcement Learning
针对对话推荐中决策角色混淆问题，提出导演-演员分层框架DAHCR，用动态超图建模偏好并引入内在动机训练，实验证明其优于现有方法。
2023-07-26 cs.IR
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
Multiple Choice Questions based Multi-Interest Policy Learning for Conversational Recommendation
会话式推荐系统（CRS）能够基于交互式对话获取细粒度的、动态的用户偏好。以前的CRS假设用户有一个明确的目标项。然而，对于许多使用CRS的用户来说，他们可能并不清楚自己真正喜欢的是什么。具体地，用户可能对物品的某些属性类型（例如颜色）具有明确的单一偏好，而对于其他属性类型，用户可能具有多个偏好或者甚至没有明确的偏好，这导致一个属性类型的多个可接受的属性实例（例如黑色和红色）。因此，用户可以在多个属性实例的组合下显示他们对项目的偏好，而不是所有属性实例的唯一组合的单个项目。因此，我们首先提出了一个更现实的CRS学习设置，即多兴趣多轮会话推荐，其中用户可能有多个属性实例组合的兴趣，并接受多个项目的属性实例的部分重叠组合。为了有效地应对新的CRS学习环境，在本文中，我们提出了一种新的学习框架，即基于多选择问题的多兴趣策略学习。为了更有效地获取用户的偏好，代理生成多项选择问题，而不是二元的是/否的特定属性实例。此外，我们提出了一个联合集策略来选择候选项目，而不是现有的交集策略，以克服过度过滤项目在会话。最后，我们设计了一个多兴趣策略学习模块，它利用捕获的用户的多个兴趣来决定下一步的行动，无论是问属性实例或推荐项目。在四个数据集上的实验结果验证了该方法的优越性。
2022-02-07 cs.IR
Reddit2Deezer: A Scalable Dataset for Real-World Grounded Conversational Music Recommendation
University of California San Diego（加州大学圣地亚哥分校）
本文提出Reddit2Deezer数据集，基于19万独特的线程和叶子评论对，提供真实对话音乐推荐资源，包含原始和改写版本，链接音乐实体到Deezer标识符，支持未来内容基础对话推荐研究。
2026-05-09 cs.IR cs.SD
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
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
Multi-view Hypergraph Contrastive Policy Learning for Conversational Recommendation
提出多视图超图对比策略学习（MHCPL）模型，通过动态超图整合喜欢、不喜欢和社会视图的多重关系，以更准确学习对话推荐中的动态用户偏好。
2023-07-26 cs.IR
U-NEED: A Fine-grained Dataset for User Needs-Centric E-commerce Conversational Recommendation
Alibaba Group（阿里巴巴集团）
本文构建了真实电商场景下细粒度的用户需求中心对话推荐数据集U-NEED，提出5个关键任务并建立基线，实验揭示不同类别中该任务的挑战各异。
2023-05-05 cs.AI 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
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
Meta Policy Learning for Cold-Start Conversational Recommendation
University of Virginia（弗吉尼亚大学）；JD.COM Silicon Valley R&D Center（京东硅谷研发中心）
会话式推荐系统（CRS）显式地征求用户的偏好，以改进动态推荐。大多数现有的CRS解决方案都依赖于针对用户群体通过强化学习训练的单个策略。然而，对于系统的新用户，这样的全局策略变得不能有效地满足他们，即，冷启动挑战在本文中，我们研究CRS策略学习的冷启动用户通过Meta强化学习。我们建议学习一个Meta策略，并使其适应新用户，只有几个试验的会话建议。为了促进快速的政策适应，我们设计了三个协同组件。首先，我们设计了一个元探索策略，致力于通过一些探索性的对话，以确定用户的喜好，这加快了个性化的策略适应Meta策略。其次，我们适应每个用户的项目推荐模块，以最大限度地提高推荐质量的基础上收集的会话状态在会话。第三，我们提出了一个基于transformer的状态编码器作为连接前两个组件的骨干。它提供了全面的状态表示，通过建模的积极和消极的反馈之间的复杂关系，在对话。在三个数据集上的大量实验表明，与丰富的最先进的CRS解决方案相比，我们的解决方案在服务新用户方面具有优势。
2023-02-15 cs.AI cs.IR
What Else Would I Like? A User Simulator using Alternatives for Improved Evaluation of Fashion Conversational Recommendation Systems
针对现有CRS用户模拟器依赖单一目标且缺乏探索性的问题，提出利用替代物品知识的改进模拟器，实验证明其能更准确评估系统并加速满足用户需求。
2024-01-11 cs.IR
Category Aware Explainable Conversational Recommendation
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）
大多数会话式推荐方法要么是不可解释的，要么它们需要外部用户的知识来解释，或者由于计算限制，它们的解释不能实时的应用。在这项工作中，我们提出了一个实时的基于类别的会话式推荐方法，它可以提供简洁的解释，而不需要事先用户的知识。我们首先以项目类别偏好的形式执行一个可解释的用户模型，然后使用类别偏好来推荐项目。用户模型通过在会话上应用基于BERT的神经架构来执行。然后，我们使用前馈网络将用户模型转换为项目推荐分数。在我们的方法中，用户的偏好在对话中表示的类别向量是直接可解释的。在真实会话推荐数据集ReDial上的实验结果显示出与最先进的性能相当的性能，而我们的方法是可以解释的。我们还展示了我们的框架的潜在力量，涉及到类别偏好预测的甲骨文设置。
2021-03-15 cs.AI cs.HC cs.IR
RecWizard: A Toolkit for Conversational Recommendation with Modular, Portable Models and Interactive User Interface
University of California, San Diego（加利福尼亚大学圣迭戈分校）
RecWizard是一个借鉴Huggingface生态、面向对话式推荐系统的Python工具包，通过模块化、可移植、交互式且LLM友好的设计，简化CRS模型开发与研究流程。
2024-02-23 cs.AI cs.IR
Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；RIIS & SIME, Shanghai University of Finance and Economics（上海财经大学RIIS与SIME机构）；China Mobile Research Institute（中国移动研究院）
本文提出KG-CRS，通过将用户-物品图与物品-属性图融合为动态图并利用邻居传播学习嵌入，有效建模属性、用户和物品间关系，在三个数据集上验证了其在推荐和对话任务中的优越性。
2024-08-02 cs.AI cs.IR
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
