Improving Conversational Recommendation Systems via Bias Analysis and Language-Model-Enhanced Data Augmentation

要約

会話レコメンデーション システム (CRS) は、言語モデリング技術の進歩とともに大きな注目を集めている急速に成長している研究分野です。
しかし、会話型レコメンデーションの現状は、その比較的新規性と既存の貢献が限られているため、多くの課題に直面しています。
この研究では、CRS モデルを開発するためのベンチマーク データセットを詳しく調べ、選択バイアスや複数の人気バイアスのバリアントなど、マルチターン インタラクションに固有のフィードバック ループから生じる潜在的なバイアスに対処します。
言語モデルとデータ拡張技術の使用による生成データの成功からインスピレーションを得て、バイアスを軽減しながらモデルのパフォーマンスを向上させる 2 つの新しい戦略「Once-Aug」と「PopNudge」を紹介します。
ReDial および TG-ReDial ベンチマーク データセットに関する広範な実験を通じて、データ拡張アプローチによる CRS 技術の一貫した改善を示し、新たに定式化された複数のバイアスに対処するための追加の洞察を提供します。

要約(オリジナル)

Conversational Recommendation System (CRS) is a rapidly growing research area that has gained significant attention alongside advancements in language modelling techniques. However, the current state of conversational recommendation faces numerous challenges due to its relative novelty and limited existing contributions. In this study, we delve into benchmark datasets for developing CRS models and address potential biases arising from the feedback loop inherent in multi-turn interactions, including selection bias and multiple popularity bias variants. Drawing inspiration from the success of generative data via using language models and data augmentation techniques, we present two novel strategies, ‘Once-Aug’ and ‘PopNudge’, to enhance model performance while mitigating biases. Through extensive experiments on ReDial and TG-ReDial benchmark datasets, we show a consistent improvement of CRS techniques with our data augmentation approaches and offer additional insights on addressing multiple newly formulated biases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google