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
OMuleT: Orchestrating Multiple Tools for Practicable Conversational Recommendation
University of California, San Diego(加利福尼亚大学圣迭戈分校);Roblox(Roblox公司)
本文提出OMuleT,通过为LLMs配备超过10种工具来构建可实用的对话式推荐系统,并在真实用户数据上验证其能生成更相关、新颖且多样的推荐。
2025-01-01 cs.AI
Interplay: Training Independent Simulators for Reference-Free Conversational Recommendation
University College London(伦敦大学学院);University of Sheffield(谢菲尔德大学);Missouri University of Science and Technology(密苏里科技大学)
本文提出一种无参考模拟框架,通过训练两个独立的LLM分别扮演用户和推荐系统,生成更真实多样化的对话数据,提升推荐系统质量与可扩展性。
2026-03-19 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
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
Multi-Modal Semantic Expansion with Constrained LLM Reranking for Conversational Music Recommendation
National Institute of Technology Kurukshetra(库鲁克谢特拉国家技术学院);Queen Mary University of London(伦敦玛丽女王大学)
该研究针对ACM RecSys 2026挑战赛提出三阶段多模态对话音乐推荐系统,经优化后在Blind B获0.3213综合分,发现约束大语言模型注入的会话数量对Blind A的nDCG有显著影响。
2026-08-25 cs.AI
LaViC: Adapting Large Vision-Language Models to Visually-Aware Conversational Recommendation
UC San Diego(加利福尼亚大学圣迭戈分校);Toyota Motor North America, Inc.(北美丰田汽车公司)
提出LaViC框架,通过视觉知识自蒸馏和推荐提示调优,将大型视觉-语言模型适配到对话式推荐,显著优于文本方法和开源基线,并达到专有模型水平。
2025-03-30 cs.AI cs.CV
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
Imagery as Inquiry: Exploring A Multimodal Dataset for Conversational Recommendation
University of California, San Diego(加利福尼亚大学圣迭戈分校);Institute for Clarity in Documentation(文档清晰度研究所);Inria Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗夸恩库尔特中心);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕尔默研究实验室)
该研究引入用户通过图像表达偏好的多模态对话推荐数据集,支持标题生成和多项选择任务,实验发现视觉语言模型无显著优势,提出意象链提示法提升性能并发布相关资源。
2025-04-16 cs.AI cs.CV
Beyond Single Labels: Improving Conversational Recommendation through LLM-Powered Data Augmentation
School of Computer Science, Fudan University(复旦大学计算机科学学院)
针对对话式推荐中的假阴性问题,提出基于LLM语义检索与相关性过滤的数据增强框架及两阶段训练策略,在基准数据集上显著提升推荐性能。
2025-07-30 cs.AI cs.IR
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
Evaluating Scene-based In-Situ Item Labeling for Immersive Conversational Recommendation
University of Toronto(多伦多大学);University of Waterloo(滑铁卢大学);Vector Institute of Artificial Intelligence(向量人工智能研究所)
针对沉浸式对话推荐系统,提出基于显式意图满足和主动信息需求的原位标签分类与评估指标,基准测试显示现有方法在利用场景信息、避免冗余和预测主动需求方面存在局限。
2026-06-25 cs.AI cs.IR
Large Language Models as Conversational Movie Recommenders: A User Study
Grouplens Research, University of Minnesota(明尼苏达大学 Grouplens 研究中心);Northwestern University(西北大学)
本文通过160名用户的在线实验研究大语言模型在对话式电影推荐中的表现,发现其可解释性强但个性化、多样性和信任不足,且提供个人背景和示例是获得高质量推荐的关键。
2024-04-29 cs.AI cs.HC cs.IR
Retrieval, Scoring, and Decoding Shape Performance and Stability in LLM-based Conversational Recommendation
Infobip(英福比普(Infobip))
该研究在ReDial基准上对比LLM重排序器与传统基线,发现检索、评分、解码等配置会显著影响对话式推荐系统的性能与稳定性,强调需将这些配置作为必填报告项。
2026-09-02 cs.AI cs.CL
WeMusic-Agent: Efficient Conversational Music Recommendation via Knowledge Internalization and Agentic Boundary Learning
WeMusic-Agent通过知识内化和代理边界学习,实现高效对话音乐推荐,提升个性化和多样性。
2025-12-18 cs.AI
Variational Reasoning over Incomplete Knowledge Graphs for Conversational Recommendation
Shandong University(山东大学)
会话式推荐系统(CRS)通常利用外部知识图谱(KG)引入丰富的语义信息,并通过自然语言对话推荐相关项目。然而,在现有的CRS中使用的原始KG通常是不完整的和稀疏的,这限制了推荐的推理能力。此外,只有少数现有的研究利用对话的背景下,以动态地完善知识,从幼儿园更好地推荐。为了解决上述问题,我们提出了变分推理不完整KG会话推荐(VRICR)。我们的核心思想是将自然伴随着CRS的大型对话语料库,以增强不完整的知识库,并执行动态知识推理的对话上下文的条件。具体来说,我们表示的对话特定的子图的KG作为潜变量与自适应知识图谱重构的分类先验。我们提出了一种变分贝叶斯方法来近似后验分布的对话特定的子图,它不仅利用对话语料库重建缺失的实体关系,但也动态地选择知识的基础上的对话上下文。最后,我们注入特定于对话的子图来解码推荐和响应。我们在两个基准CRS数据集上进行了实验。实验结果证实了我们提出的方法的有效性。
2022-12-23 cs.AI
On Estimating the Training Cost of Conversational Recommendation Systems
KTH Royal Institute of Technology(瑞典皇家理工学院);Hive Streaming AB(Hive Streaming公司);Maastricht University(马斯特里赫特大学);University of Amsterdam(阿姆斯特丹大学)
会话式推荐系统最近获得了很多关注,因为用户可以在多个会话回合中连续地与系统交互。然而,会话式推荐系统是基于复杂的神经结构,因此这种模型的训练成本很高。为了阐明最先进的会话模型的高计算训练时间,我们研究了五种代表性的策略并证明了这个问题。此外,我们讨论了可能的方法来应付高训练成本以下知识蒸馏战略,其中我们详细介绍了关键的挑战,以减少在线推理时间的大量模型参数的会话式推荐系统
2020-11-10 cs.AI cs.LG
Re2A: Situated Conversational Recommendation via Rubric-based Preference Reasoning and Alignment
The Hong Kong Polytechnic University(香港理工大学);The Chinese University of Hong Kong(香港中文大学);Sichuan University(四川大学)
针对情境化对话推荐中偏好理解与响应生成的挑战,提出Re2A框架,通过基于评分标准的偏好推理和偏好条件优化,实现用户偏好与情境一致性的双重对齐,实验验证其优于现有方法。
2026-09-17 cs.AI
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
DuRecDial 2.0: A Bilingual Parallel Corpus for Conversational Recommendation
Harbin Institute of Technology(哈尔滨工业大学);Baidu Inc.(百度公司)
在本文中,我们提供了一个双语并行人对人的推荐对话数据集(DuRecDial 2.0),使研究人员能够探索具有挑战性的任务,多语言和跨语言的会话推荐。DuRecDial 2.0与现有会话式推荐数据集的区别在于,DuRecDial 2.0中的数据项(Profile,Goal,Knowledge,Context,Response)使用两种语言进行注释,英语和中文,而其他数据集则使用单一语言设置。我们收集了8.2k个跨英语和汉语的对话(共16.5k个对话和255k个话语),这些对话由众包工作人员进行注释,并具有严格的质量控制程序。然后,我们在DuRecDial 2.0上构建单语,多语言和跨语言会话推荐基线。实验结果表明,使用额外的英语数据可以带来性能的改善,中文会话推荐,显示DuRecDial 2.0的好处。最后,这个数据集提供了一个具有挑战性的测试平台,为未来的研究单语,多语言和跨语言的会话推荐。
2021-09-18 cs.AI cs.CL
TRACE: Trustworthy Retrieval-Augmented Conversational Engine
Wichita State University(威奇托州立大学)
研究人员提出TRACE框架,通过强化检索提升公共服务对话系统的约束满足度、减少幻觉,降低对模型规模的依赖,证实检索质量是系统稳健性的关键。
2026-08-12 cs.AI
TREA: Tree-Structure Reasoning Schema for Conversational Recommendation
Huazhong University of Science and Technology(华中科技大学);Beijing Institute of Technology(北京理工大学);Ping An Property & Casualty Insurance company of China(中国平安财产保险股份有限公司)
针对现有对话推荐系统推理模型无法厘清话语与外部知识复杂关系的问题,提出多层级可扩展树结构推理模式TREA,利用历史对话生成更合理的推荐响应,在两个公开数据集上验证了有效性。
2023-07-20 cs.AI
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
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
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
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
Towards Conversational Recommendation over Multi-Type Dialogs
Harbin Institute of Technology(哈尔滨工业大学);Baidu Inc.(百度公司)
我们提出了一个新的任务,在多类型的对话中进行会话推荐,其中机器人可以主动和自然地从非推荐对话(例如,QA)到推荐对话框,考虑用户的兴趣和反馈。为了便于研究这个任务,我们创建了一个人对人的中文对话数据集\emph{DuRecDial}(约10k对话,156k话语),其中包含多个顺序的对话,每对推荐搜索者(用户)和推荐者(机器人)。在每个对话中,推荐器主动引导多类型对话接近推荐目标,然后进行具有丰富交互行为的多个推荐。这个数据集使我们能够系统地研究整个问题的不同部分,例如,如何自然地引导对话,如何与用户交互以获得推荐。最后,我们建立了DuRecDial的基线结果,为未来的研究。数据集和代码可在https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/Research/ACL2020-DuRecDial上公开获取。
2020-05-22 cs.AI cs.CL
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
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
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
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
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
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
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
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
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
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
A Personalized System for Conversational Recommendations
Kaidara Software Inc.(凯达拉软件公司);Institute for the Study of Learning and Expertise(学习与专长研究所)
随着信息量和选择数量的增加,搜索信息和做出关于信息的决策变得越来越困难。推荐系统帮助用户找到特定类型的感兴趣的项目,例如电影或餐馆,但使用起来仍然有些笨拙。我们的解决方案是利用个性化推荐系统和对话系统的互补优势,创建个性化助手。我们提出了一个系统-自适应的地方顾问-把项目选择作为一个互动的,对话的过程中,与项目属性和用户响应的程序查询。个人的、长期的用户偏好在正常的推荐对话过程中不引人注目地获得,并用于指导与同一用户的未来对话。我们提出了一种新的用户模型,影响项目搜索和在对话中提出的问题。我们证明了我们的系统的有效性,在显着减少所需的时间和数量的互动,找到一个满意的项目,相比控制组的用户与非自适应版本的系统进行交互。
2011-06-30 cs.AI cs.IR
Bundle MCR: Towards Conversational Bundle Recommendation
UC San Diego(加州大学圣地亚哥分校);Adobe Research(Adobe研究院)
捆绑推荐系统推荐项目集合(例如,裤子、衬衫和鞋子)提供给用户,但是它们经常遭受两个问题:显著的交互稀疏性和大的输出空间。在这项工作中,我们扩展了多轮会话推荐(MCR)来缓解这些问题。MCR,其使用对话范例通过询问用户对标签的偏好来引起用户兴趣(例如,类别或属性)以及处理跨多轮的用户反馈,是用于获取用户反馈并缩小输出空间的新兴推荐设置,但尚未在捆绑推荐的上下文中进行探索。在这项工作中,我们提出了一个新的推荐任务命名为捆绑MCR。我们首先提出了一个新的框架,制定捆绑MCR马尔可夫决策过程(MDP)与多个代理,用户建模,咨询和反馈处理捆绑上下文。在此框架下,我们提出了一个模型架构,称为Bundle Bert(Bunt)(1)推荐项目,(2)发布问题和(3)管理会话的基础上,冲突感知的会话状态。此外,为了有效地训练Bunt,我们提出了一个两阶段的训练策略。在离线预训练阶段,Bunt使用多个完形填空任务来模拟会话中的捆绑交互。然后在在线微调阶段,Bunt代理通过用户交互来增强。我们在多个离线数据集上的实验以及人类评估显示了扩展MCR框架以捆绑设置的价值和我们的Bunt设计的有效性。
2022-07-26 cs.AI cs.IR
HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation
Sun Yat-sen University(中山大学);Peng Cheng Laboratory(鹏城实验室);South China Agricultural University(华南农业大学);Guangdong University of Technology(广东工业大学);Jinan University(暨南大学)
针对推荐系统中马太效应问题,提出HyCoRec范式,通过学习物品、实体等多方面偏好,在用户与系统长期交互时有效缓解马太效应,在对话推荐任务中生成回复并预测物品,实验验证其性能优越。
2026-07-21 cs.AI cs.HC 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
INSPIRED2: An Improved Dataset for Sociable Conversational Recommendation
University of Klagenfurt(克拉根福大学)
能够以自然语言与用户交互的会话式推荐系统(CRS)通常利用先前在成对的人的帮助下收集的推荐对话,其中一个人扮演搜索者的角色,另一个人扮演推荐者。这些推荐对话框包括指示用户首选项的项目和实体。为了精确地模拟搜索者的偏好并一致地响应,CRS通常依赖于项目和实体注释。这种数据集的一个最近的例子是INSPIRED,它由用于社交会话推荐的推荐对话框组成,其中使用自动关键字或模式匹配技术对项目和实体进行注释。不幸的是,对该数据集的分析显示,存在大量项目和实体被错误注释或注释根本缺失的情况。这就引出了一个问题,即自动注释技术在多大程度上是有效的。此外,重要的是研究注释质量对CRS的整体有效性的影响,即系统响应的质量。为了研究这些方面,我们手动修复了INSPIRED中的注释。然后,我们使用两个版本的数据集评估了几个基准CRS的性能。我们的分析表明,数据集的改进版本,即,INSPIRED 2帮助提高了几个基准CRS的性能,强调了数据质量对于端到端学习和基于检索的会话推荐方法的重要性。我们在www.example.com上公开发布了我们改进的数据集(INSPIRED 2)。
2022-09-07 cs.AI cs.CL cs.IR
Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation
Meta Platforms(元平台公司)
本文提出基于LLM的智能体推荐框架SYF,采用三层架构实现实时多模态内容协同策划,经离线评估与在线A/B实验验证,可提升信息流相关性与用户情感,为工业场景提供交互式推荐方案。
2026-08-10 cs.AI
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
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
"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
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
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
DialSim: A Dialogue Simulator for Evaluating Long-Term Multi-Party Dialogue Understanding of Conversational Agents
KAIST(韩国科学技术院);SNU(釜山大学)
针对现有对话智能体评估忽视多方对话与长期依赖的问题,提出DialSim模拟评估框架及LongDialQA数据集,发现大上下文或RAG模型仍难以保持长期多方理解,凸显更真实基准的必要性。
2025-09-26 cs.AI cs.CL
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
STEP: Stepwise Curriculum Learning for Context-Knowledge Fusion in Conversational Recommendation
School of Artificial Intelligence Shenzhen University(人工智能学院深圳大学);Beijing University of Posts and Telecommunications(北京邮电大学);Jinan University(暨南大学);Central South University(中南大学)
针对现有对话推荐系统难以整合知识图谱信息、捕捉深层语义的问题,提出STEP,通过三阶段课程学习的F-Former融合上下文与知识,并结合双前缀提示调优,在推荐精度和对话质量上优于主流方法。
2025-08-14 cs.AI cs.IR
Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation
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)
针对对话推荐系统中的马太效应问题,提出多超图增强多兴趣自监督学习框架HiCore,通过构建超图学习用户多层次兴趣,在四个相关数据集实验中取得新最优性能,有效缓解了马太效应。
2026-07-22 cs.AI cs.HC cs.IR