対話型推薦システムにおけるゼロデータブートストラップの実証研究

要旨

対話型推薦システム（CRS）は通常、ドメイン固有の対話データを必要とする。しかし、そのようなデータはコストが高く、希少であり、新しいドメインではしばしば利用できない。本研究では、ゼロデータCRSブートストラップの系統的実証研究を行う。これは、ドメイン内の対話コーパスを一切用いずに、アイテムレビュー、メタデータ、ユーザーとアイテムのインタラクションといった非対話的なシグナルから合成対話教師信号を生成するアプローチである。我々は、情報理論的選択戦略であるJensen-Shannonダイバーシティとフィッシャー情報量を、ドメインシグナル、モデルアーキテクチャ、データセット、ファインチューニングパラダイムにわたって比較する。実験結果は、ドメインに基づく合成データがゼロショットプロンプティングや単純な合成ベースラインを一貫して上回ること、能動的選択がランダムサンプリングよりもデータ効率を向上させること、メタデータと協調フィルタリングの各シグナルが選択品質を向上させること、そして低リソース環境では合成データが希少な実対話データを上回り、さらにそうした実対話データを補完することもできることを示している。これらの知見は、非対話的なドメインシグナルが、対話訓練データなしでCRSを構築するための実行可能な経路であることを確立する。コードは https://anonymous.4open.science/r/zero_data_crs/ で公開している。

English

Conversational Recommender Systems (CRS) typically require domain-specific dialogue data, which is costly, scarce, and often unavailable in new domains. We conduct a systematic empirical study of zero-data CRS bootstrapping: generating synthetic conversational supervision from non-conversational signals---item reviews, metadata, and user-item interactions---without any in-domain dialogue corpus. We compare two information-theoretic selection strategies, Jensen-Shannon diversity and Fisher information, across domain signals, model architectures, datasets, and fine-tuning paradigms. Our results show that domain-grounded synthetic data consistently outperforms zero-shot prompting and naive synthetic baselines; active selection improves data efficiency over random sampling; metadata and collaborative filtering signals each improve selection quality; and, in low-resource settings, synthetic data can outperform scarce real dialogues while further complementing them. These findings establish non-conversational domain signals as a viable path toward building CRS without conversational training data. The code is available at https://anonymous.4open.science/r/zero_data_crs/ .