May, 2024

MobileConvRec: 移动应用推荐的对话数据集

PDF
TL;DR现有的推荐系统主要集中在两个范式上：一是基于历史用户 - 项目交互的推荐，二是会话式推荐。对话式推荐系统促进用户和系统之间的自然语言对话，允许系统获取用户明确需求并允许用户提问和提供反馈。鉴于自然语言处理的重大进展，对话式推荐系统日益受到关注。现有的对话式推荐数据集在各自领域的研究中发挥了重要作用。然而，近年来移动用户和应用程序呈指数增长，对话式移动应用推荐系统的研究面临重大限制，主要归因于缺乏专门针对移动应用程序的高质量基准数据集。为促进对话式移动应用推荐的研究，我们引入了 MobileConvRec。MobileConvRec 通过利用用户在 Google Play 商店上与移动应用的真实交互进行对话模拟，该交互数据最初捕获在大规模移动应用推荐数据集 MobileRec 中。MobileConvRec 将连续的用户 - 项目交互（反映隐式用户偏好）与全面的多轮对话相结合，以有效把握用户的明确需求。MobileConvRec 包括超过 12,000 个涵盖 45 个应用类别的多轮推荐相关对话。此外，MobileConvRec 为每个应用程序提供丰富的元数据，如权限数据，安全和隐私相关信息以及应用程序的二进制可执行文件等。通过对几个预训练的大型语言模型的比较研究，我们证明了 MobileConvRec 可作为对话式移动应用推荐的优秀测试平台。
recommendation systemsconversational recommendationconversational mobile appbenchmark datasetsmobileconvrec
发现论文，激发创造
  • MobileRec：一份用于移动应用推荐的大规模数据集

    MobileRec 是一个大规模的基于 Google Play Store 的数据集，包含了 1900 多万次用户互动和 10K 多种不同类型的应用程序，通过比较研究了几种最先进的推荐方法，MobileRec 可以作为测试应用程序的理想平台，并作为基准线提供量化结果，以供其他研究人员进行比较。

    Mar, 2023

  • 深度会话推荐

    本文提供了一个名为 ReDial 的可用于公共研究的数据集，用于探索使用神经网络和深度学习技术创建对话系统的应用，并探讨了在这一领域中应用的新方法和机制。

    Dec, 2018

  • 基于提示的半结构化自然语言状态追踪的检索增强型对话推荐

    对话式推荐系统必须理解用户偏好和意图的丰富多样的自然语言表达，而这些表达通常以间接方式传达（例如：“我在控制体重”）。这些复杂的话语使得检索相关物品变得具有挑战性，尤其是当只使用通常不完整或过时的元数据时。幸运的是，许多领域都有丰富的商品评价，这些评价涵盖标准的元数据类别并提供与用户兴趣相匹配的复杂意见（例如：“适合约会的高档场所”）。然而，直到最近，大尺度语言模型让我们能够揭示用户偏好表达和用户生成评价之间的常识联系。进一步而言，大尺度语言模型还能够实现半结构化对话状态跟踪、复杂意图和偏好理解，以及生成推荐、解释和问题回答等新颖范式。因此，我们引入了一种名为 RA-Rec 的新技术，一种以大尺度语言模型为驱动的检索增强型对话状态跟踪系统，用视频、开源 GitHub 存储库和可交互的 Google Colab 笔记本展示了这项技术。

    May, 2024

  • Chat-REC：面向可交互和可解释的 LLMs 增强型推荐系统

    本文提出使用大型语言模型与 Chat-Rec 范例的对话推荐系统（CRS）来提高传统推荐系统的互动性与可解释性，并演示了其在学习用户喜好和在零样本评级预测任务的表现改进方面具有的有效性。

    Mar, 2023

  • 对话式推荐系统调查

    本文详细调查了面向会话的推荐技术现有的方法，将这些方法按支持的用户意向或背景知识等维度分类，同时讨论了技术方法、CRS 的评估，以及未来需要更多研究的领域。

    Apr, 2020

  • 面向对话推荐的用户记忆推理

    本文介绍一种基于用户记忆知识图谱的对话推荐模型，在大规模用户场景数据的基础上构建了一种新的记忆图谱，并提出了一种简单可扩展的构建和更新图谱的公式，该模型预测出最佳对话策略和推荐项，并提供自然的方式解释模型的推荐，同时也验证了模型在离线和在线模拟中具有竞争力的效果。

    May, 2020

  • 对话式推荐系统的进展与挑战：综述

    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

  • 生物医学领域的对话搜索及应用调查

    本文介绍了 Conversation Search (ConvSearch) 的方法，重点关注人机交互特征和操作模块，同时将其应用于医疗保健领域，帮助信息检索过程并探讨挑战和问题。

    Nov, 2022

  • 会话式推荐系统

    本文提出将对话系统和推荐系统结合到一起，基于深度强化学习框架构建个性化的对话推荐代理以优化每个会话的效用函数。

    Jun, 2018

  • 通过用户模拟评估对话式推荐系统

    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