Towards Multi-Subsession Conversational Recommendation
원문 초록
Conversational recommendation systems (CRS) could acquire dynamic user preferences towards desired items through multi-round interactive dialogue. Previous CRS mainly focuses on the single conversation (subsession) that user quits after a successful recommendation, neglecting the common scenario where user has multiple conversations (multi-subsession) over a short period. Therefore, we propose a novel conversational recommendation scenario named Multi-Subsession Multi-round Conversational Recommendation (MSMCR), where user would still resort to CRS after several subsessions and might preserve vague interests, and system would proactively ask attributes to activate user interests in the current subsession. To fill the gap in this new CRS scenario, we devise a novel framework called Multi-Subsession Conversational Recommender with Activation Attributes (MSCAA). Specifically, we first develop a context-aware recommendation module, comprehensively modeling user interests from historical interactions, previous subsessions, and feedback in the current subsession. Furthermore, an attribute selection policy module is proposed to learn a flexible strategy for asking appropriate attributes to elicit user interests. Finally, we design a conversation policy module to manage the above two modules to decide actions between asking and recommending. Extensive experiments on four datasets verify the effectiveness of our MSCAA framework for the MSMCR setting.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
SafeCRS: LLM 기반 대화형 추천 시스템을 위한 개인화된 안전성 정렬
SafeCRS: Personalized Safety Alignment for LLM-Based Conversational Recommender Systems
현재 LLM 기반 대화형 추천 시스템(conversational recommender systems, CRS)은 주로 추천 정확도와 사용자 만족도를 최적화한다. 우리는 추천 출력이 개인화된 안전 제약을 위반하여 사용자에게 부정적인 영향을 미칠 수 있는, 아직 충분히 탐구되지 않은 취약점을 확인한다. 이는 트라우마 유발 요인, 자해 이력, 공포증과 같은 개인별 안전 민감도가 대화에서 암묵적으로 추론되지만 추천 과정에서 존중되지 않을 때 발생한다. 우리는 이 과제를 개인화된 CRS 안전성으로 형식화하고, 사용자별 제약 하에서 LLM 기반 CRS의 안전 위험을 체계적으로 평가하기 위해 설계된 새로운 벤치마크 데이터셋 SafeRec를 소개한다. 이 문제를 더 해결하기 위해, 추천 품질과 개인화된 안전성 정렬을 공동으로 최적화하기 위해 Safe 지도 미세조정(Safe-SFT)과 Safe Group reward-Decoupled Normalization Policy Optimization(Safe-GDPO)을 통합하는 안전 인식 학습 프레임워크 SafeCRS를 제안한다. SafeRec에 대한 광범위한 실험은 SafeCRS가 가장 강력한 추천 품질 기준선 대비 안전 위반률을 최대 96.5% 감소시키면서 경쟁력 있는 추천 품질을 유지함을 보여준다. 경고: 본 논문에는 잠재적으로 유해하고 불쾌한 내용이 포함되어 있습니다.
Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
JD Oxygen AI Item Center(Oxygen AIIC) V1: 상품 이해·관리·적용을 위한 산업 규모 LLM/VLM 중심 솔루션
JD Oxygen AI Item Center (Oxygen AIIC) V1: An Industrial-Scale LLM/VLM-Centric Solution for Item Understanding, Management, and Applications
JD.com은 세계 최대 규모의 전자상거래 플랫폼 중 하나로, 7억 명 이상의 활성 사용자와 수백만 명의 판매자에게 서비스를 제공하며, 수십억 개의 SKU로 구성된 카탈로그를 보유하고 있습니다. 이러한 규모에서 고품질의 구조화된 상품 지식은 더 나은 소비자 경험, 낮은 관리 비용, 높은 운영 효율성의 기반이 되지만, 이를 생산하고 제공하는 것은 세 가지 산업 규모의 과제를 야기합니다: 급속히 등장하는 개념, 대규모 SKU에 대한 고품질 지식 생산, 그리고 다양한 다운스트림 요구사항. 이러한 과제를 해결하기 위해, 상품 지식 생산 및 서비스를 위해 LLM/VLM 기반으로 구축된 산업 규모 플랫폼인 JD Oxygen AI Item Center(Oxygen AIIC)를 제시합니다. Oxygen AIIC는 네 가지 핵심 기둥을 중심으로 구축되었습니다: (i) 효율적인 인간-AI 협업에 의해 추진되는 온톨로지 엔지니어링으로, 수백만 개의 항목을 포함하는 온톨로지의 동적 진화와 민첩한 확장을 지원합니다; (ii) 처리량 개선 전략과 결합된 "Semantic Search then Discrimination"(S2D) 지식 식별 아키텍처로, 수십억 SKU에 대한 확장 가능하고 확장성 있으며 고처리량 AI Item Library 생산을 가능하게 합니다; (iii) 안정적이고 통제 가능한 방식으로 개선되는 자기 진화형 상품 이해 LLM/VLM으로, 정밀도 94.2%, 재현율 82.8%의 지식 생산을 가능하게 합니다; (iv) 데이터 및 서비스 허브로서 기능하는 통합 item tunnel. Oxygen AIIC는 현재 수만 개의 JD 카테고리를 다루며, Huawei Ascend NPU에서 하루 수억 건의 상품 업데이트를 처리합니다. 수천억 개의 상품 지식 자산을 축적했습니다. 검색, 추천, 운영, 카테고리 기획 등 핵심 비즈니스 시나리오에 배포된 Oxygen AIIC는 규모에 걸맞은 측정 가능한 성과를 달성했습니다. 검색 트래픽 커버리지는 80.4%에 달하고, 상품 정보 품질 이슈는 37% 감소했으며, 상품 등록 시 핵심 속성의 자동 입력률은 80%를 초과합니다.
메트릭 순서 시퀀스 학습과 하이브리드 정책 선호 최적화를 적용한 확산 트랜스포머 기반 생성형 검색
Generative Retrieval via Diffusion Transformer with Metric-Ordered Sequence Training and Hybrid-Policy Preference Optimization
임베딩 기반 검색은 공유 벡터 공간에서 쿼리와의 유사도에 따라 아이템을 순위화하며, 일반적으로 가장 높은 점수의 아이템을 반환하는 것을 목표로 한다. 많은 프로덕션 환경에서는 이것이 원하는 것이 아니다. 세밀한 패턴을 표현하는 시드 집합이 주어졌을 때, 목표 속성을 만족하면서 동시에 그 패턴 내에 머무는 더 많은 아이템이 필요하다. 이를 패턴 보존 속성 검색(pattern-preserving attribute retrieval)으로 형식화한다. 두 목표는 서로 상충한다. 시드를 평균하면 패턴은 보존되지만 낮은 속성 영역에 머물고, 전역 속성 검색은 관련 없는 패턴으로 표류한다. 연속 생성형 검색으로 이 과제에 접근한다. 여기서 모델은 아이템 임베딩 시퀀스를 읽고 최근접 이웃 검색을 위한 쿼리 임베딩을 생성한다. MO-DiT+HPPO를 제안한다. 이는 원시 시퀀스 사전학습, 다중 도메인 메트릭 순서 연속 사전학습(CPT), 꼬리 중심(tail-centroid) 미세조정, HPPO로 구성된 단계적 프레임워크이다. 메트릭 순서 학습은 희소한 온라인 검색 레이블을 낮은 예측 속성 밀도에서 높은 예측 속성 밀도 순으로 정렬된 패턴 내 궤적으로 변환하여, 하나의 모델이 도메인 전반에 걸친 메트릭 개선 방향을 학습하게 한다. HPPO는 하이브리드 후보 풀에 온라인 교집합 메트릭으로 레이블을 부여하고 참조 고정(reference-anchored) 선호 최적화를 적용하여, 생성된 쿼리 분포를 실제 온라인 목적 함수와 정렬한다. 파레토 쌍 필터는 동일 패턴 순도를 낮추지 않는 승자 쌍만 유지하여, 패턴을 희생하지 않고 속성 메트릭을 높인다. 아이템 및 패턴 홀드아웃 프로토콜 하에서 네 가지 속성 도메인 전반에 걸쳐, 메트릭 순서 DiT는 사전학습된 생성형 검색기 대비 교집합 메트릭을 개선하며, HPPO는 이를 더욱 개선한다. 8개 도메인 분할 셀 중 7개에서 유의미한 향상을 보였고, 가장 어려운 분할에서는 근소한 동률을 기록했다. 메트릭 예측기 검증, 순서 ablation, CPT/SFT 비교, 후보 정책 ablation을 통해 성능 향상의 원인을 밝힌다.
Dialogue to Discovery: Attribute-Aware Preference Elicitation for Conversational Product Search Assistants
Camouflaged Variational Graph AutoEncoder against Attribute Inference Attacks for Cross-Domain Recommendation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.