论文
登录后可查看剩余解析次数。
标签筛选
对话式推荐系统
Stop Playing the Guessing Game! Target-free User Simulation for Evaluating Conversational Recommender Systems
发表：2024/11/25
对话式推荐系统用户模拟器评估偏好引出能力评估目标无偏用户模拟PEPPER评估协议
本研究提出PEPPER，一种新颖的对话推荐系统（CRS）评估协议，使用无目标用户模拟器以提升评估的真实性，帮助用户逐步发现偏好，克服了以往目标偏见模拟器带来的局限。实验验证PEPPER在偏好激发和推荐方面的有效性。
01
LLM-REDIAL: A Large-Scale Dataset for Conversational Recommender Systems Created from User Behaviors with LLMs
发表：2024/8/1
对话式推荐系统大规模对话推荐数据集用户行为数据与对话模板结合多领域对话推荐大语言模型生成对话
LLMREDIAL是针对对话式推荐系统（CRS）开发的大规模数据集，克服了现有数据集的不可扩展性和语义不一致性问题。利用大型语言模型（LLMs）生成高质量对话，并结合历史用户行为与精心设计的对话模板，该数据集包含47600个多轮对话，具有高度一致的对话语义。通过人工评估验证了其质量，也评估了基于LLM的模型的可用性。
01
CRS-Que: A User-centric Evaluation Framework for Conversational Recommender Systems
发表：2023/11/2
对话式推荐系统用户中心评价框架用户体验评估指标音乐探索推荐移动电话购买推荐
本文提出了CRSQue，一个用户中心的对话推荐系统评估框架，旨在评估CRS的用户体验。该框架基于现有评估工具ResQue，融合了对话的理解、响应质量和人性化等用户体验指标。通过在不同场景中验证，其有效性和可靠性得到了支持，并揭示了推荐和对话构造的相互影响。
03
USB-Rec: An Effective Framework for Improving Conversational Recommendation Capability of Large Language Model
发表：2025/9/21
大语言模型强化学习训练对话式推荐系统基于大语言模型的推荐系统用户模拟器基础框架偏好优化数据集构建
本文提出USBRec框架，旨在提升大语言模型在对话式推荐系统中的能力。通过基于用户模拟器的偏好优化数据集构建和自增强策略，可以有效增强模型在训练和推理阶段的表现。实验证明，该方法在多种数据集上均优于以往的最先进技术。
04
Refining Text Generation for Realistic Conversational Recommendation via Direct Preference Optimization
发表：2025/8/27
对话式推荐系统直接偏好优化大型语言模型在推荐中的应用用户偏好提取文本生成优化
本文提出了一种改进的对话推荐系统方法，通过利用大型语言模型生成对话摘要和推荐信息，从而捕捉用户显式及隐式偏好。采用直接偏好优化（DPO）进行调优，确保生成内容信息丰富。实验结果表明，该方法能更自然地实现对话推荐，提升用户体验。
02
Modeling shopper interest broadness with entropy-driven dialogue policy in the context of arbitrarily large product catalogs
发表：2025/9/8
对话式推荐系统基于大语言模型的推荐系统用户兴趣广度建模熵驱动对话策略动态推荐探索与利用
本文提出了一种新的会话推荐系统策略，通过计算检索得分的熵来建模用户兴趣广度，从而有效平衡用户需求的探索与推荐的利用。在面对庞大产品目录时，该策略动态调整对话策略，低熵查询直接推荐，高熵查询则发问以探索更多信息，优化用户体验。
03
Beyond Persuasion: Towards Conversational Recommender System with
Credible Explanations
发表：2024/9/22
基于大语言模型的推荐系统生成式推荐系统可信解释生成对话式推荐系统
本文针对当前基于大型语言模型的对话推荐系统在说服用户时生成不可信解释的问题，提出PCCRS方法。该方法通过可信度感知说服策略指导解释生成，并结合事后自我反思逐步优化，显著提升了解释的可信性与推荐准确性。
02
CARE: Contextual Adaptation of Recommenders for LLM-based Conversational
Recommendation
发表：2025/8/19
基于大语言模型的推荐系统对话式推荐系统上下文感知推荐系统实体级推荐增强推荐系统重排名
CARE框架通过将外部推荐系统作为领域专家集成，与大型语言模型协同工作，实现对话推荐中的上下文适应。该方法弥补了传统LLM零/少样本推荐的领域适应不足及协同关系忽视，显著提升推荐准确性和多样性。
03