Jan, 2022

语言模型驱动的对话式推荐系统中的意外偏差

PDF
TL;DR本研究调查了语言模型 LMRec 在餐厅推荐中存在的偏见问题，发现与黑人社区相关的名称的习惯性提及显著降低了推荐餐厅的价格分布，而男性相关的普遍名称的提及则导致增加了推荐的酒类服务场所，这些结果表明了语言模型驱动的推荐系统 LMRec 在其推荐中强化了有害刻板印象。
conversational recommendation systemspretrained language modelsbiasrecommendationstereotypes
发现论文，激发创造
  • 在对话式推荐系统中利用大型语言模型

    本文提出了一个使用大型语言模型的端到端大规模语音推荐系统，并介绍了一些技术和实现细节，包括用户偏好理解、灵活对话管理、基于 LLM 的用户仿真器等。

    May, 2023

  • 通过偏差分析和语言模型增强的数据增强改进对话推荐系统

    对话式推荐系统是一个快速发展的研究领域，随着语言建模技术的进步而备受关注。然而，目前的对话式推荐系统面临许多挑战，由于其相对新颖和现有贡献的有限性。本研究探讨了用于开发对话式推荐系统模型的基准数据集，并解决了多轮互动中固有的反馈循环所产生的选择偏差和多元受欢迎度偏差等潜在偏差。借鉴语言模型和数据增强技术的成功，我们提出了两种新的策略 “Once-Aug” 和 “PopNudge”，以增强模型性能并减轻偏差。通过对 ReDial 和 TG-ReDial 基准数据集进行广泛实验，我们展示了我们的数据增强方法在对话式推荐系统技术上的持续改进，并提供了解决多个新形成的偏差的更多见解。

    Oct, 2023

  • 一种大型语言模型增强的对话式推荐系统

    利用大型语言模型开发了一种新的会话式推荐系统（LLMCRS），能够有效管理子任务、解决不同的子任务、并生成与用户交互的响应，通过细化工作流程和使用强化学习的反馈优化，实验结果表明其性能超过现有方法。

    Aug, 2023

  • 电商售前对话中的会话式推荐系统与大型语言模型的完美结合

    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

  • 当前基于 LLM 的对话推荐用户模拟器的局限性分析

    使用大型语言模型构建用户仿真器在对话推荐系统中存在一些限制和评估方法上的问题，因此提出了 SimpleUserSim 方法通过简单策略指导话题以显著提高推荐结果。

    Mar, 2024

  • 基于语言模型和强化学习的事实和个性化推荐

    发展了一种令人信服，精确，个性化，与偏好相关的语言模型 (P4LM)，该模型通过使用用户偏好的嵌入空间表示来生成富有说服力的回复，同时强调解释物品特征及其相关性。此外，还开发了一个联合奖励函数，用于衡量精确性、吸引力和个性化，该函数用作基于增强学习的语言模型框架中的人工智能反馈。使用 MovieLens 25M 数据集证明了 P4LM 向用户提供了引人入胜、个性化的电影叙事。

    Oct, 2023

  • 通过上下文和时态建模改进对话推荐系统，减少领域特定知识

    该论文探讨了从上下文中提取内部知识来进行个性化推荐的方法，包括实体级别和上下文级别的表示，以及一个时间感知关注机制和使用预训练的 BART 模型来初始化生成模块，结果表明这种方法在多种数据集上的表现优于使用更多外部领域特定知识的方法，并且具有诸多优点和适用场景。

    Sep, 2022

  • 以语言处理任务为基础的参数高效对话推荐系统

    使用预先训练的语言模型以自然语言表示项，通过语义匹配进行项目推荐和对话生成的统一模型 PECRS，在两个基准数据集上的实验证明了其在推荐和对话方面的有效性。

    Jan, 2024

  • 基于大语言模型的推荐系统能够获得何种益处：一项调查

    本文综述了基于应用方向的大语言模型在推荐系统中的应用，从‘何处’和‘如何’两方面总结了现有研究工作，并讨论了调整大语言模型到推荐系统中面临的关键挑战和未来前景。

    Jun, 2023

  • 驾驭 LLMs 朝向无偏响应：一个因果引导的去偏框架

    使用因果理解指导设计提示机制的去偏置语言模型框架，能有效减少大型语言模型中的社会偏见。

    Mar, 2024