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

对话式推荐系统是一个新兴的领域，引起了社区的越来越多的关注，特别是随着大型语言模型（LLMs）的发展，这些模型使得对话输入的多样化推理成为可能。尽管取得了进展，该领域仍有许多方面需要探索。目前可用于对话式推荐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对话式推荐数据集PEARL，该数据集是通过个人化和知识增强的LLM模拟器合成的。我们从现实世界的评论中获取详细的个人信息和知识，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，展示了目标领域的专业知识，并提供了比之前数据集中更相关于对话上下文的推荐。

本论文旨在解决当前公共数据集在对话推荐方面缺乏特定用户偏好和推荐解释的问题，提出了一种使用个性化和知识增强的LLM模拟器构建的对话推荐数据集PEARL的解决方案。

论文的关键思路是使用个性化和知识增强的LLM模拟器构建对话推荐数据集PEARL，以提供更具体的用户偏好和推荐解释，从而实现更高质量的推荐。相比先前的数据集，PEARL的对话更具有专业性和相关性。

论文使用PEARL数据集进行了实验，结果表明该数据集可以提供更具体的用户偏好和推荐解释，推荐更相关的内容。此外，PEARL数据集的构建过程中采用了真实世界评论的详细个性化和知识，使其更具代表性和可靠性。

最近的相关研究包括： 1.《Towards Conversational Recommender Systems》 2.《A Survey on Conversational Recommender Systems》 3.《Conversational Recommender Systems: A Survey and New Horizons》