PPPG-DialoGPT: A Prompt-based and Personality-aware Framework For Conversational Recommendation Systems
Notice bibliographique
Résumé
Conversational Recommendation Systems (CRSs) are multi-turn dialogue softwares that support recommendation goals. Having a CRS that generates personalized recommen-dations for its users is one of the challenging topics in the recommendation research field. This is due to the diversity of preferences that a user might have within a recommendation session. Recent CRS frameworks are still not really able to effectively provide items of interest to their users, as they do not consider the individuals' personality traits during the recommendation process. These traits are the enduring character-istics and behaviors that comprise a person's unique adjustment and distinguish him from other persons. Thus, considering them during the recommendation process could significantly boost the model performance. In this paper, we propose a personality-aware and prompt-based CRS framework named PPPG-DialoGPT “A Personality and Preference-aware Prompt-based Goal-oriented DialoGPT model”. Our proposed approach aims to benefit from the significant impact that personality traits and prompt-based learning frameworks have on improving the performance of different Natural Language Processing (NLP) and one-shot recommendation tasks. To the best of our knowledge, this paper is the first to employ both individual personality traits and prompts templates during a dialogue-based recommendation session in the field of conversational recommendation system. Experiments and results show that the use of the users' person-ality traits leads to an improvement in the performance of both recommendation and response generation tasks on the movie-based TG- Redial dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».