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

会话式推荐系统是一个新兴领域，在大语言模型（LLMs）的进步下，引起了社区的越来越多的兴趣，这种模型可以对会话输入进行多样化推理。尽管取得了进展，但该领域还有许多方面有待探索。目前可用的公共数据集缺乏具体的用户偏好和推荐解释，从而影响了高质量的推荐。为了解决这些挑战，我们提出了一个新颖的会话式推荐数据集，名为PEARL，通过个人和知识增强的LLM模拟器进行综合。我们从现实世界的评论中获得了详细的个人和知识，并构建了一个超过57k个对话的大规模数据集。我们的实验结果表明，PEARL中的话语包括更具体的用户偏好，显示出目标领域的专业知识，并提供比先前数据集中更相关于对话上下文的推荐。

本论文旨在解决目前对话式推荐领域中公共数据集缺乏用户偏好和推荐解释的问题。

论文提出了一种新的对话式推荐数据集PEARL，使用基于人物和知识增强的大型语言模型模拟器进行合成，从实际评论中获取详细的人物和知识，并构建了一个超过57k对话的大规模数据集。

论文的实验结果表明，PEARL中的话语包括更具体的用户偏好，显示出目标领域的专业知识，并提供比先前数据集更相关于对话上下文的推荐。

在最近的相关研究中，还有一些关于对话式推荐的论文，例如“Towards Conversational Search and Recommendation: System Ask, User Respond”和“Conversational Recommender System”。