Interplay: リファレンス不要の対話型推奨のための独立したシミュレーターの訓練

要旨: 対話型レコメンダーシステム（CRS）の訓練には膨大な対話データが必要であり、規模の大きいデータの収集は困難です。これに対処するため、研究者はシミュレーションされたユーザーとレコメンダーの対話を用いてきました。従来のシミュレーション手法は、しばしばターゲットアイテムについての事前知識を持つ単一の大規模言語モデル（LLM）を用いて対話全体を生成し、脚本化された人工的な対話を生み出します。私たちは、参照なしのシミュレーションフレームワークを提案します。これは、ユーザーとして1つ、対話型レコメンダとしてもう1つ、2つの独立したLLMを訓練します。これらのモデルは事前に決定されたターゲットアイテムへアクセスできない状態でリアルタイムに相互作用しますが、好みの要約とターゲット属性を参照することで、レコメンダは対話を通じてユーザーの嗜好を真に推測できるようにします。このアプローチは、より現実的で多様な会話を生み出し、実際の人間とAIの相互作用を密接に再現します。私たちの参照なしシミュレータは、品質の面で既存の方法と同等かそれを上回り、事前に定義されたターゲットアイテムに対話を制約することなく、高品質な対話型レコメンデーションデータを生成するためのスケーラブルな解決策を提供します。私たちは、定量的評価と人間による評価の双方を実施して、私たちの参照なしアプローチの有効性を確認します。