Pearl: A Review-driven Persona-Knowledge Grounded Conversational Recommendation Dataset

要約

会話型レコメンダー システムは、特に会話型入力に対する多様な推論を可能にする大規模言語モデル (LLM) の進歩により、コミュニティでの関心が高まっている新興分野です。
進歩にもかかわらず、この分野にはまだ探求すべき側面がたくさんあります。
現在利用可能な会話型レコメンデーション用の公開データセットには、ユーザーの具体的な好みやレコメンデーションの説明が不足しており、高品質のレコメンデーションが妨げられています。
このような課題に対処するために、ペルソナおよび知識を強化した LLM シミュレーターで合成された、PEARL という名前の新しい会話型推奨データセットを紹介します。
実際のレビューから詳細な人物像と知識を取得し、57,000 を超える対話を含む大規模なデータセットを構築します。
私たちの実験結果は、PEARL での発話には、より具体的なユーザーの好みが含まれており、ターゲット ドメインの専門知識を示し、以前のデータセットよりも対話のコンテキストに関連した推奨事項が提供されることを示しています。

要約(オリジナル)

Conversational recommender system is an emerging area that has garnered an increasing interest in the community, especially with the advancements in large language models (LLMs) that enable diverse reasoning over conversational input. Despite the progress, the field has many aspects left to explore. The currently available public datasets for conversational recommendation lack specific user preferences and explanations for recommendations, hindering high-quality recommendations. To address such challenges, we present a novel conversational recommendation dataset named PEARL, synthesized with persona- and knowledge-augmented LLM simulators. We obtain detailed persona and knowledge from real-world reviews and construct a large-scale dataset with over 57k dialogues. Our experimental results demonstrate that utterances in PEARL include more specific user preferences, show expertise in the target domain, and provide recommendations more relevant to the dialogue context than those in prior datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google