From Base to Conversational: Japanese Instruction Dataset and Tuning Large Language Models
The University of Tokyo(东京大学)
针对非英语指令微调数据集匮乏的问题,研究构建了日语指令数据集,用LoRA微调多语言模型,验证了日语指令微调的有效性,且小模型也能借此提升下游性能,相关资源已公开。
2023-11-05 cs.CL
Optimus: A Robust Defense Framework for Mitigating Toxicity while Fine-Tuning Conversational AI
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
本研究提出Optimus框架,通过整合训练无关的毒性分类方案和双重策略对齐过程,有效缓解微调过程中的毒性问题,并在有毒性分类器偏差时仍能保持高召回率,优于现有最佳防御方法StarDSS。
2026-05-21 cs.AI cs.CL cs.CR
Efficient Cross-Task Prompt Tuning for Few-Shot Conversational Emotion Recognition
Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly(南洋理工大学-不列颠哥伦比亚大学老年积极生活卓越联合研究中心);Nanyang Technological University(南洋理工大学)
针对少样本对话情感识别中数据驱动方法计算与样本效率低的问题,提出无导数的跨任务提示调优方法CTPT,通过挖掘跨任务共享知识和低维向量优化,在少样本及零样本迁移任务上取得优异结果。
2023-10-23 cs.CL
Enhanced Detection of Conversational Mental Manipulation Through Advanced Prompting Techniques
Dartmouth College(达特茅斯学院)
本研究探索不同提示技术在对话式精神操控检测中的效果,在二元检测任务上实现零样本、少样本设置的思维链提示,旨在探明技术性能差异原因以构建专用检测框架,初步发现未经过示例学习的复杂模型可能不适用高级提示技术。
2024-08-14 cs.CL
Pretrained language model transfer on neural named entity recognition in Indonesian conversational texts
命名实体识别(NER)是自然语言处理中的一项重要任务,但由于会话领域的噪声特征,其研究更具挑战性。此外,会话文本通常数量有限,使得监督任务不可行。要从小数据中学习,需要强归纳偏差。以前的工作依赖于手工制作的功能来编码这些偏见,直到迁移学习出现。在这里,我们探索了一种迁移学习方法,即语言模型预训练,在印尼语会话文本的NER任务。我们利用大型未标记数据(通用域)转移到会话文本,从而实现对有限域内数据的监督训练。我们报告了两种迁移学习变体,即监督模型微调和无监督预训练LM微调。我们的实验表明,当在小数据(100个句子)上训练时,这两种变体的性能都优于基线神经模型,测试F1得分绝对提高了32分。此外,我们发现预训练的LM编码的部分语音信息,这是一个强大的预测NER。
2019-02-21 cs.CL
Bi-directional Context-Enhanced Speech Large Language Models for Multilingual Conversational ASR
Alibaba-NTU Global e-Sustainability CorpLab(阿里巴巴-国立科技大学全球可持续发展公司实验室);Nanyang Technological University(国立科技大学);College of Computing and Data Science(计算与数据科学学院)
本文提出将双向上下文融入语音大语言模型,通过字符级上下文掩码训练和两阶段上下文感知解码,在1500小时多语言对话语料上取得18%的相对改进,优于6000小时数据训练的模型。
2025-07-04 cs.CL eess.AS
Controlling Multimodal Conversational Agents with Coverage-Enhanced Latent Actions
School of Computer Science, Wuhan University(武汉大学计算机学院);Tongyi Lab(通义实验室);Zhongguancun Academy(中关村学院)
本文提出通过增强覆盖的潜在动作空间改进多模态对话代理的强化学习微调,利用跨模态投影器提升鲁棒性,在两个对话任务中优于基线方法。
2026-04-13 cs.AI cs.CL cs.LG
MIGA: A Unified Multi-task Generation Framework for Conversational Text-to-SQL
NetEase Games AI Lab(网易游戏AI实验室)
会话式文本到SQL的目的是将多轮自然语言问题转换成相应的SQL查询。大多数最先进的文本到SQL对话方法与生成式预训练语言模型(PLM)(如T5)不兼容。在本文中,我们提出了一个两阶段的统一多任务生成框架(MIGA),利用PLM的能力,以解决会话的文本到SQL。在预训练阶段,MIGA首先将主任务分解为多个相关的子任务,然后通过任务特定的自然语言提示,将它们统一到同一个序列到序列(Seq2Seq)范式中,以促进多任务训练中的主任务。稍后在微调阶段,我们提出了四个SQL扰动来缓解错误传播问题。MIGA倾向于在两个基准测试(SparC和CoSQL)上实现最先进的性能。我们还提供了广泛的分析和讨论,以阐明会话式文本到SQL的一些新观点。
2022-12-19 cs.AI cs.CL
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
Improving Conversational Abilities of Quantized Large Language Models via Direct Preference Alignment
Hanyang University(汉阳大学)
针对量化大语言模型对话能力下降的问题,提出量化感知直接偏好优化(QDPO),对齐量化与全精度模型,在多种语言上超越现有技术,提升对话性能。
2024-07-18 cs.CL
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
ChatRetriever: Adapting Large Language Models for Generalized and Robust Conversational Dense Retrieval
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Université de Montréal(蒙特利尔大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);Waseda University(早稻田大学)
本文提出ChatRetriever,通过对比学习与掩码指令微调的双学习方法适配大型语言模型,显著提升了多轮会话密集检索的性能与鲁棒性,达到最新水平。
2024-04-21 cs.CL cs.IR
AgenticAI-DialogGen: Topic-Guided Conversation Generation for Fine-Tuning and Evaluating Short- and Long-Term Memories of LLMs
School of Computing, Macquarie University(麦考瑞大学计算机学院)
本文提出AgenticAI-DialogGen框架,通过生成基于角色和主题的对话来微调和评估LLM的短期和长期记忆,引入了TopicGuidedChat数据集以提升对话质量和模型性能。
2026-04-14 cs.CL cs.IR
TAMUSA-Chat: A Domain-Adapted Large Language Model Conversational System for Research and Responsible Deployment
Texas A&M University–San Antonio(德克萨斯A&M大学-圣安东尼奥分校);Utah Valley University(犹他谷大学)
TAMUSA-Chat是一个面向研究和负责任部署的领域适应大型语言模型对话系统,通过监督微调、检索增强生成和系统化评估方法,解决机构环境中的关键挑战。
2026-02-14 cs.AI cs.CL cs.LG
An Approach to Build Zero-Shot Slot-Filling System for Industry-Grade Conversational Assistants
IBM Research(IBM研究院);IBM Watson(IBM沃森)
本文提出通过精心构造覆盖多场景的任务数据来微调小型 LLM,构建低延迟、零样本工业级槽位填充系统,F1 较最佳基线相对提升 6.9%,延迟降低 57%。
2024-06-13 cs.AI cs.CL
TeamCMU at Touché: Adversarial Co-Evolution for Advertisement Integration and Detection in Conversational Search
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种对话式搜索中广告管理的对抗性协同演化框架,通过广告改写器与广告分类器的相互优化,实现更隐蔽的广告集成和更鲁棒的广告检测。
2025-07-01 cs.AI cs.CL
Learning When to Retrieve, What to Rewrite, and How to Respond in Conversational QA
TU Delft(代尔夫特理工大学);Amazon(亚马逊公司)
本文提出SELF-multi-RAG方法,使LLMs在对话式问答中能自主决定何时检索、重写对话并评估返回段落,相比单轮变体在响应生成质量上提升约13%。
2024-09-23 cs.AI cs.CL
Conversational Control with Ontologies for Large Language Models: A Lightweight Framework for Constrained Generation
本文提出一种轻量级框架,通过对话相关本体定义实现对LLM输出的模块化和可解释控制,通过建模关键方面作为约束并微调LLM,提升对话生成的可控性和可解释性。
2026-04-06 cs.AI cs.CL
Promptor: A Conversational and Autonomous Prompt Generation Agent for Intelligent Text Entry Techniques
University of Cambridge(剑桥大学)
本文提出Promptor,一个对话式自主提示生成智能体,通过自动生成复杂提示,使大型语言模型无需微调即可胜任智能文本输入任务,实验显示其提示在相似性和连贯性上分别提升35%和22%。
2023-10-15 cs.AI cs.CL
HumanRankEval: Automatic Evaluation of LMs as Conversational Assistants
Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对对话助手类语言模型人工评估不可扩展、自动评估难衡量对话与指令遵循能力的问题,提出基于对数似然排序并与人类排序求相关的HumanRankEval评估任务,验证其与人类判断相关性好且对指令微调变化敏感。
2024-05-15 cs.CL
SpeechGPT: Empowering Large Language Models with Intrinsic Cross-Modal Conversational Abilities
Fudan University(复旦大学)
针对现有语音语言模型级联范式阻碍模态间知识迁移的问题,提出SpeechGPT,通过构建大规模跨模态指令数据集并采用三阶段训练策略,赋予大型语言模型内在的跨模态对话能力,实现单模型对多模态指令的遵循与处理。
2023-05-19 cs.CL
Conversational AI-Enhanced Exploration System to Query Large-Scale Digitised Collections of Natural History Museums
School of Computer Science, University of Technology Sydney(技术科技大学计算机科学学院);School of Design, University of Technology Sydney(技术科技大学设计学院);Australian Museum Research Institute, Australian Museum(澳大利亚博物馆研究 institute, 澳大利亚博物馆);Australian Museum(澳大利亚博物馆)
本文提出利用对话式AI查询自然历史博物馆大规模数字化收藏的系统,通过交互式地图和自然语言代理实现高效的数据检索与探索。
2026-03-11 cs.AI cs.CY cs.DL
DiaLLMs: EHR Enhanced Clinical Conversational System for Clinical Test Recommendation and Diagnosis Prediction
College of Information Sciences and Technology, Pennsylvania State University(信息科学与技术学院,宾夕法尼亚州立大学)
提出首个整合异构EHR数据的医疗LLM(DiaLLM),通过临床检查参考策略和强化学习框架实现临床检查推荐、结果解释与诊断预测,显著优于基线模型。
2025-06-24 cs.AI
Conversational Factor Information Retrieval Model (ConFIRM)
IRAI Labs(IRAI实验室);LORA Research(LORA研究中心)
针对专业领域检索数据稀缺问题,提出基于人格五因素模型生成合成数据的ConFIRM方法,金融领域实验显示微调后的Llama-2-7b模型分类准确率达91%,可提升检索系统准确性与个性化程度。
2024-10-08 cs.AI cs.CE cs.CL
Generating Data with Text-to-Speech and Large-Language Models for Conversational Speech Recognition
Carnegie Mellon University(卡内基梅隆大学);University of Rochester(罗切斯特大学)
针对多说话人对话语音识别领域数据获取难的问题,提出结合LLM内容生成与多说话人对话式TTS的合成数据流水线,经Whisper模型微调验证,性能优于经典多说话人生成方法。
2024-08-17 cs.CL cs.SD eess.AS
Conversation Forests: The Key to Fine Tuning Large Language Models for Multi-Turn Medical Conversations is Branching
University of Pennsylvania(宾夕法尼亚大学)
针对DPO和GRPO等方法在多轮医疗对话中表现不足的问题,提出强化学习框架SCF,利用分支对话架构生成多轮延续以微调LLMs,实验证明其诊断准确性优于线性架构。
2025-07-15 cs.AI cs.CL
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
Learning to Clarify: Multi-turn Conversations with Action-Based Contrastive Self-Training
Google(谷歌);Columbia University(哥伦比亚大学)
针对LLM面对歧义时不善澄清、高质量对话数据有限的问题,提出基于DPO的ACT准在线偏好优化算法,在无动作标签的多类真实对话任务中显著提升多轮对话策略学习效果。
2025-07-27 cs.AI cs.CL cs.LG
Towards Anthropomorphic Conversational AI Part I: A Practical Framework
Alibaba Group(阿里巴巴集团)
本文提出一个多模块框架,通过思考、资源和响应模块协同增强LLM智能体的社交与对话智能,实验表明无需微调即可显著提升类人对话表现。
2025-02-28 cs.AI cs.CL
Refining Input Guardrails: Enhancing LLM-as-a-Judge Efficiency Through Chain-of-Thought Fine-Tuning and Alignment
Capital One(第一资本金融公司);University of Maryland(马里兰大学)
本研究通过微调与对齐LLM的思维链响应,将其作为输入审核护栏,以检测恶意输入并提升对话AI系统的安全性与可靠性。
2025-01-22 cs.CL cs.CR cs.LG
AdaRewriter: Unleashing the Power of Prompting-based Conversational Query Reformulation via Test-Time Adaptation
School of Computer Science and Engineering, Key Laboratory of Computer Network and Information Integration, Ministry of Education, Southeast University(计算机科学与工程学院、计算机网络与信息集成重点实验室、教育部、东南大学)
针对现有基于提示的对话式查询改写方法未充分发挥潜力的问题,提出AdaRewriter框架,用对比排序损失训练轻量奖励模型实现测试时适配的候选改写选择,可在黑盒系统运行,在五个数据集上多数设置优于现有方法。
2025-10-28 cs.CL
Conversational Speech Reveals Structural Robustness Failures in SpeechLLM Backbones
Texas A&M University(德克萨斯大学);KTH Royal Institute of Technology(皇家理工学院)
会话语音揭示SpeechLLM骨干结构鲁棒性失效,模型在处理不流畅内容时存在结构修复与语义抽象的偏见问题。
2026-03-05 cs.AI cs.CL eess.AS
MedAlpaca -- An Open-Source Collection of Medical Conversational AI Models and Training Data
University Hospital Aachen(亚琛大学医院);Technical University of Munich(慕尼黑工业大学);Berliner Hochschule für Technik (BHT)(柏林应用技术大学);German Heart Center(德国心脏中心)
为满足医疗领域可本地部署的开源大语言模型需求,本研究推出含16万余条目的专用数据集MedAlpaca用于微调LLM,并在医师资格考试类任务中验证了微调模型优于仅预训练模型的性能。
2025-03-18 cs.AI cs.CL
Controllable Mixed-Initiative Dialogue Generation through Prompting
Columbia University(哥伦比亚大学)
针对混合主动对话中可控生成受限于标注成本的问题,提出用提示大型语言模型替代微调,形式化提示构建,在PersuasionForGood和情感支持对话任务上经人类评估和自动指标优于微调及真实响应。
2023-05-06 cs.AI cs.CL cs.HC
JU-NLP at Touché: Covert Advertisement in Conversational AI-Generation and Detection Strategies
Department of Computer Science and Engineering, Jadavpur University(计算机科学与工程系,贾瓦德pur大学)
本文针对对话式AI中的隐蔽广告问题,提出基于用户上下文和LLM微调的生成框架,以及基于CrossEncoder和DeBERTa的检测方法,在生成与检测任务上均取得优异效果。
2025-09-12 cs.AI cs.CL
A Comparative Analysis of Conversational Large Language Models in Knowledge-Based Text Generation
Technical University of Munich(慕尼黑工业大学);King’s College London(伦敦国王学院)
本研究针对对话式大语言模型易产生幻觉等问题,对比4款不同规模模型在不同提示技术下基于语义三元组生成文本的表现,发现少样本提示等技术可显著提升其三元组表述能力,小模型提升效果更明显。
2024-02-02 cs.CL
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
ChatQA: Surpassing GPT-4 on Conversational QA and RAG
NVIDIA(英伟达)
本研究推出ChatQA模型系列,通过两阶段指令微调与对话式稠密检索器,在自研ChatRAG Bench基准上超越GPT-4系列模型,并开源相关资源推动领域发展。
2024-10-30 cs.AI cs.CL cs.IR
Boosting Conversational Question Answering with Fine-Grained Retrieval-Augmentation and Self-Check
School of Computer Science and Technology, East China Normal University(华东师范大学计算机科学与技术学院)
本文提出一种结合细粒度检索增强与自检查的对话级RAG方法,包含问题重写器、细粒度检索器和回复生成器三组件,有效解决复杂对话场景下的问答问题,并发布了一个中文CQA数据集。
2024-03-27 cs.AI
IEA: Amateur-Friendly Conversational Image Editing Agent via Three Stages of Multitask Alignment
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institution(上海创新研究院);Huawei Technologies Ltd.(华为技术有限公司);Nanyang Technological University(南洋理工大学);Jiangsu Key Lab of Language Computing(江苏省语言计算重点实验室)
提出IEA对话式图像编辑代理,通过三阶段多任务训练学习操作参数化工具,实现可解释编辑轨迹,在像素距离和ROUGE-L指标上优于基线,用户研究中指令跟随和感知质量表现最佳。
2026-06-06 cs.AI cs.CL cs.CV
AI Knowledge Assist: An Automated Approach for the Creation of Knowledge Bases for Conversational AI Agents
Dialpad Inc.(Dialpad公司)
本文提出AI知识助手系统,从历史客服对话中自动提取问答对构建知识库,微调轻量级LLM在20家公司上达到90%以上准确率,消除冷启动差距,实现RAG聊天机器人快速部署。
2025-10-09 cs.AI cs.CL cs.LG
Contextualizing Search Queries In-Context Learning for Conversational Rewriting with LLMs
National Energy University(国立能源大学)
针对低资源场景下对话查询重写标注数据不足的问题,提出提示引导的上下文学习方法,通过精心设计的提示引导LLM实现少样本重写,在多个基准上优于强基线,为低资源对话搜索提供高效方案。
2025-02-20 cs.CL
ConvSDG: Session Data Generation for Conversational Search
Université de Montréal(蒙特利尔大学);RALI(RALI(机器翻译与计算语言学研究实验室));Renmin University of China(中国人民大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Beijing Jiaotong University(北京交通大学)
提出ConvSDG框架,利用大语言模型生成对话会话数据以缓解训练数据稀缺,通过无监督和半监督学习提升对话式稠密检索性能,实验验证其有效性和广泛适用性。
2024-03-17 cs.CL cs.IR
Pattern Enhanced Multi-Turn Jailbreaking: Exploiting Structural Vulnerabilities in Large Language Models
Institute of Science Tokyo(东京科学大学);RIKEN AIP(理化学研究所AIP)
本文提出PE-CoA框架,通过五个对话模式构建多轮劫持攻击,揭示了大语言模型在不同危害类别下的漏洞及防御局限性。
2026-02-05 cs.AI cs.CL cs.CR
KnowsLM: A framework for evaluation of small language models for knowledge augmentation and humanised conversations
AIGuruKul Foundation(AIGuruKul基金会)
本研究针对中小型语言模型生成类人对话的挑战,通过KnowsLM框架分析LoRA秩、数据集规模等因素对知识保留和风格对齐的影响,发现微调与RAG增强模型各有优劣。
2025-04-13 cs.CL
Regularization Through Reasoning: Systematic Improvements in Language Model Classification via Explanation-Enhanced Fine-Tuning
Amazon Central Analytics and Research Science(亚马逊中央分析与研究科学)
通过在微调中加入解释增强,提升语言模型分类的准确性和可靠性,揭示令牌级结构对推理过程的影响。
2026-03-01 cs.AI cs.CL cs.LG
ConvMix: A Mixed-Criteria Data Augmentation Framework for Conversational Dense Retrieval
Fengran Mo 1(摩峰ran 1);Jinghan Zhang 2(张 Jinghan 2);Yuchen Hui 1(慧 Yuchen 1);Jia Ao Sun 1(Sun Jia Ao 1);Zhichao Xu 3(徐 Zhichao 3);Zhan Su 1(苏 Zhan 1);Jian-Yun Nie 1(Nie Jian-Yun 1)
针对会话式密集检索的训练数据稀缺问题,提出混合准则数据增强框架ConvMix,借助大语言模型设计可扩展双向相关性判断增强方案并整合质量控制机制,在5个基准上优于现有基线,提升检索效果。
2025-11-12 cs.CL cs.IR
JELLY: Joint Emotion Recognition and Context Reasoning with LLMs for Conversational Speech Synthesis
Korea University(高丽大学)
提出 JELLY 框架,通过多个部分 LoRA 微调 LLM,并结合情感感知 Q-former 编码器实现情感识别与上下文推理,以生成自然且情感恰当的对话语音。
2025-01-09 cs.CL cs.SD eess.AS
Vibe Check: Understanding the Effects of LLM-Based Conversational Agents' Personality and Alignment on User Perceptions in Goal-Oriented Tasks
Northeastern University(东北大学)
本研究探讨了对话代理性格表达水平和用户与代理性格对齐如何影响用户在目标导向任务中的感知,发现中等表达水平在多个维度上表现最佳,性格对齐进一步提升了结果,尤其在外向性和情绪稳定性和方面影响显著。
2026-04-29 cs.AI cs.CL cs.HC
Efficiency vs. Alignment: Investigating Safety and Fairness Risks in Parameter-Efficient Fine-Tuning of LLMs
IID, Laval University(拉瓦尔大学IID);McGill University(麦吉尔大学)
该研究发现良性参数高效微调会改变大语言模型的安全与公平性,基于适配器的方法更安全,基础模型和PEFT类型会影响对齐偏移,需按类别审计安全与公平性。
2026-08-04 cs.AI cs.LG
Augmenting a Large Language Model with a Combination of Text and Visual Data for Conversational Visualization of Global Geospatial Data
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Linköping University(林雪平大学)
针对LLM缺乏视觉上下文、难以进行可视化数据交互的问题,本文融合文本描述与可视化快照生成紧凑结构化特征,在不微调的情况下增强LLM,支持全球地理空间数据的对话式问答。
2025-01-16 cs.CL cs.HC
Teaching Language Models How to Code Like Learners: Conversational Serialization for Student Simulation
本文提出通过对话序列化技术,直接从真实学生编程过程数据训练开放权重的人工编程学习者,提升模型在调试行为模拟中的能力。
2026-05-13 cs.AI cs.CL cs.CY
VCB Bench: An Evaluation Benchmark for Audio-Grounded Large Language Model Conversational Agents
School of Artificial Intelligence, Wuhan University(武汉大学人工智能学院);Tencent AI Lab(腾讯AI实验室)
针对现有音频语言模型基准局限,提出VCB Bench,基于真实人类语音构建,从指令跟随、知识理解、鲁棒性三个角度评估,揭示性能差距并指明改进方向,提供评估框架。
2026-07-07 cs.CL cs.SD
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