A Framework for Generating Conversational Recommendation Datasets from Behavioral Interactions

📄 arXiv: 2506.17285v1 📥 PDF

作者: Vinaik Chhetri, Yousaf Reza, Moghis Fereidouni, Srijata Maji, Umar Farooq, AB Siddique

分类: cs.IR, cs.LG

发布日期: 2025-06-14

备注: 12 pages, 6 tables,4 figures

💡 一句话要点

ConvRecStudio：基于行为交互生成对话式推荐数据集的框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 对话式推荐系统 数据集生成 大型语言模型 用户行为建模 时间序列分析

📋 核心要点

  1. 对话式推荐系统缺乏协同过滤的长期用户偏好信息，导致推荐结果不够个性化，而传统推荐系统无法主动获取用户即时需求。
  2. ConvRecStudio利用大型语言模型，结合用户历史行为和物品评论，生成逼真的多轮对话，模拟用户与推荐系统的交互过程。
  3. 实验结果表明，基于ConvRecStudio生成的数据集训练的模型，在推荐性能上显著优于传统方法，尤其是在Yelp数据集上提升明显。

📝 摘要（中文）

现代推荐系统通常遵循两种互补的范式：协同过滤，它从历史交互中建模长期用户偏好；以及对话式推荐系统（CRS），它以自然语言与用户交互以发现即时需求。每种方法都捕捉了用户意图的不同维度。虽然CRS模型缺乏协同信号，导致泛化或个性化程度差的建议，但传统推荐器缺乏交互式地引出即时需求的机制。统一这些范式有望实现更丰富的个性化，但由于缺乏基于真实用户行为的大规模对话数据集，这仍然具有挑战性。我们提出了ConvRecStudio，一个使用大型语言模型（LLM）来模拟基于时间戳的用户-物品交互和评论的真实多轮对话的框架。ConvRecStudio遵循一个三阶段流程：（1）时间剖析，构建用户画像和细粒度方面的社区级物品情感轨迹；（2）语义对话规划，使用灵活的超节点DAG生成结构化计划；（3）多轮模拟，使用配对的LLM代理（用户和系统）实例化该计划，并受到执行和行为保真度检查的约束。我们将ConvRecStudio应用于三个领域——MobileRec、Yelp和Amazon Electronics——每个数据集生成超过12K个多轮对话。人工和自动评估证实了生成对话的自然性、连贯性和行为基础。为了证明实用性，我们构建了一个交叉注意力Transformer模型，该模型联合编码用户历史和对话上下文，在Hit@K和NDCG@K方面优于仅使用任一信号或简单融合的基线。值得注意的是，我们的模型在Yelp上实现了比最强基线高10.9%的Hit@1。

🔬 方法详解

问题定义：现有对话式推荐系统（CRS）缺乏用户历史行为的建模，导致推荐结果泛化或个性化不足。传统推荐系统无法主动与用户交互，难以捕捉用户即时需求。缺乏大规模、基于真实用户行为的对话数据集是统一这两种范式的关键瓶颈。

核心思路：利用大型语言模型（LLM）的强大生成能力，模拟用户与推荐系统之间的对话。通过将用户历史行为（交互、评论）融入LLM的输入，生成更贴近真实用户意图的对话数据。设计一个三阶段的流程，确保生成对话的质量和行为一致性。

技术框架：ConvRecStudio框架包含三个主要阶段： 1. 时间剖析（Temporal Profiling）：构建用户画像，并分析物品在不同时间段的情感变化。 2. 语义对话规划（Semantic Dialog Planning）：生成对话的结构化计划，使用有向无环图（DAG）表示。 3. 多轮模拟（Multi-Turn Simulation）：使用两个LLM代理（用户代理和系统代理）模拟对话过程，并进行行为保真度检查。

关键创新：ConvRecStudio的核心创新在于其能够从用户的历史行为中生成高质量的对话数据，弥补了现有对话式推荐系统数据集的不足。通过时间剖析和语义对话规划，确保生成的对话具有时间一致性和逻辑连贯性。使用行为保真度检查，保证生成的对话与用户的真实行为模式相符。

关键设计： * 时间剖析：利用时间序列分析方法，提取用户在不同时间段的偏好变化。 * 语义对话规划：设计灵活的超节点DAG结构，允许对话流程具有一定的随机性和多样性。 * 多轮模拟：使用温度系数控制LLM的生成概率，平衡对话的探索性和一致性。设计行为保真度检查机制，例如，确保用户不会在对话中表达对已购买物品的负面评价。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ConvRecStudio在MobileRec、Yelp和Amazon Electronics三个数据集上生成了超过12K个多轮对话。人工和自动评估表明，生成的对话具有很高的自然性、连贯性和行为一致性。基于生成的数据集训练的交叉注意力Transformer模型，在Hit@K和NDCG@K指标上显著优于基线模型，尤其是在Yelp数据集上，Hit@1指标提升了10.9%。

🎯 应用场景

ConvRecStudio生成的对话数据集可用于训练和评估各种对话式推荐系统模型。该框架可以应用于电商、电影、音乐等多个领域，帮助构建更智能、更个性化的推荐系统。通过模拟用户与系统的交互，可以更好地理解用户需求，提升用户体验，并最终提高推荐系统的转化率。

📄 摘要（原文）

Modern recommendation systems typically follow two complementary paradigms: collaborative filtering, which models long-term user preferences from historical interactions, and conversational recommendation systems (CRS), which interact with users in natural language to uncover immediate needs. Each captures a different dimension of user intent. While CRS models lack collaborative signals, leading to generic or poorly personalized suggestions, traditional recommenders lack mechanisms to interactively elicit immediate needs. Unifying these paradigms promises richer personalization but remains challenging due to the lack of large-scale conversational datasets grounded in real user behavior. We present ConvRecStudio, a framework that uses large language models (LLMs) to simulate realistic, multi-turn dialogs grounded in timestamped user-item interactions and reviews. ConvRecStudio follows a three-stage pipeline: (1) Temporal Profiling, which constructs user profiles and community-level item sentiment trajectories over fine-grained aspects; (2) Semantic Dialog Planning, which generates a structured plan using a DAG of flexible super-nodes; and (3) Multi-Turn Simulation, which instantiates the plan using paired LLM agents for the user and system, constrained by executional and behavioral fidelity checks. We apply ConvRecStudio to three domains -- MobileRec, Yelp, and Amazon Electronics -- producing over 12K multi-turn dialogs per dataset. Human and automatic evaluations confirm the naturalness, coherence, and behavioral grounding of the generated conversations. To demonstrate utility, we build a cross-attention transformer model that jointly encodes user history and dialog context, achieving gains in Hit@K and NDCG@K over baselines using either signal alone or naive fusion. Notably, our model achieves a 10.9% improvement in Hit@1 on Yelp over the strongest baseline.