论文页面 - 对话推荐系统零数据引导的实证研究

来源：https://huggingface.co/papers/2504.15476

摘要

非对话领域信号能够生成合成对话数据，其性能优于零样本和稀缺真实数据基线方法，可用于引导对话推荐系统。

对话推荐系统通常需要特定领域的对话数据，这些数据获取成本高、稀缺，且在新领域中常常不可用。我们对零数据CRS引导（https://huggingface.co/papers?q=zero-data%20CRS%20bootstrapping）进行了系统的实证研究：即从非对话信号（商品评论、元数据以及用户-物品交互）中生成合成对话监督信号（https://huggingface.co/papers?q=synthetic%20conversational%20supervision），而无需任何领域内对话语料库。我们比较了两种基于信息论的选择策略——詹森-香农多样性（https://huggingface.co/papers?q=Jensen-Shannon%20diversity）和费舍尔信息（https://huggingface.co/papers?q=Fisher%20information），并评估了它们在不同领域信号、模型架构、数据集和微调范式（https://huggingface.co/papers?q=fine-tuning%20paradigms）下的表现。结果表明：基于领域的合成数据持续优于零样本提示和简单合成基线方法；主动选择（https://huggingface.co/papers?q=active%20selection）相比随机采样提升了数据效率；元数据和协同过滤（https://huggingface.co/papers?q=collaborative%20filtering）信号均能提升选择质量；在低资源场景下，合成数据性能可超越稀缺的真实对话，并能进一步补充真实数据。这些发现确立了利用非对话领域信号作为构建无需对话训练数据的CRS的可行路径。代码已发布于 https://anonymous.4open.science/r/zero_data_crs/。

查看arXiv页面 (https://arxiv.org/abs/2504.15476)查看PDF (https://arxiv.org/pdf/2504.15476)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2504.15476)

在您的智能体中获取此论文：

hf papers read 2504.15476

未安装最新CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

暂无模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2504.15476 以从此页面链接。

引用本文的数据集0

暂无数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2504.15476 以从此页面链接。

引用本文的Spaces0

暂无Space链接此论文

在Space的 README.md 中引用 arxiv.org/abs/2504.15476 以从此页面链接。

包含本文的收藏0

暂无收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection)以从此页面链接。