会话式推荐系统
通过结合大型语言模型的先进技术，我们定义了一个新的问题空间，旨在通过混合类型和混合主动式对话提供产品推荐和教育价值的对话代理系统。我们通过构建 SalesBot 和 ShopperBot，对 SalesBot 与专业销售人员进行全面的人类研究比较，发现 SalesBot 在流畅度和信息量方面接近专业水平，但在推荐质量方面有所不足。我们强调了两者在提供真实信息方面的显著局限性，突出了在对话代理系统背景下确保忠实性的挑战。我们发布了代码并提供所有数据。
Oct, 2023
创建个性化辅助，将个性化推荐系统和对话系统的优势相结合，并通过即时对话获取用户个人偏好，帮助用户更快、更准确地找到满意的物品，比传统的非自适应版本的系统交互次数更少，时间更短。
Jun, 2011
本文提出了定制化对话推荐系统（CCRS）的概念，以提高用户体验，包括多样化的对话回复生成器和细粒度意向识别，并通过元学习的方法定制化模型参数，实验表明 CCRS 在推荐和对话服务方面具有优越性。
Jun, 2022
本文提出一种通过用户模拟来替代人类评估的方法，以实现对话推荐系统的自动评估。作者表明，通过考虑用户的个人喜好和与系统的一般交互流程，偏好建模和特定任务交互模型都有助于实现高度自动化的绩效评估结果和人工人工评估的高度相关性。
Jun, 2020
本文系统地回顾了当前对话式推荐系统（CRSs）的技术，总结了 CRSs 开发中的 5 个关键方向：基于问题的用户偏好获取、多轮对话推荐策略、对话理解和生成、开发利用折中和探索等方法的算法、以及 CRSs 的评估和用户模拟问题，并根据这些研究方向讨论了一些未来的挑战和机遇。
Jan, 2021
本文研究了对话推荐系统中的最近工作，并介绍了一种将上下文化的输入与学习模型联系起来以支持意图识别的方法，使用 transformer 基础模型在数据集 MSDialogue 上进行了性能评估。
Dec, 2022
本文研究了将大型语言模型与对话型推荐系统结合在电子商务售前对话中的有效性，并提出了两种协作方法：对话型推荐系统辅助大型语言模型和大型语言模型辅助对话型推荐系统。通过对真实世界电子商务售前对话数据集进行广泛实验，我们分析了两种协作方法在四个任务上对电子商务售前对话的影响，发现 CRS 和 LLM 之间的协作在某些情况下非常有效。
Oct, 2023