대화형 추천 시스템을 위한 제로-데이터 부트스트래핑에 관한 실증 연구

초록

대화형 추천 시스템(CRS)은 일반적으로 도메인 특화 대화 데이터를 필요로 하는데, 이러한 데이터는 비용이 많이 들고 희소하며 새로운 도메인에서는 종종 이용할 수 없다. 본 연구에서는 비대화형 신호(item reviews, metadata, user-item interactions)로부터 대화 말뭉치 없이 합성 대화 지도 신호를 생성하는 제로 데이터 CRS 부트스트래핑(zero-data CRS bootstrapping)에 대한 체계적인 실증 연구를 수행한다. 우리는 Jensen-Shannon 다양성과 Fisher 정보라는 두 가지 정보 이론적 선택 전략을 도메인 신호, 모델 아키텍처, 데이터셋, 파인튜닝 패러다임에 걸쳐 비교한다. 실험 결과, 도메인 기반 합성 데이터는 제로샷 프롬프팅 및 단순 합성 기준선을 일관되게 능가했으며, 능동 선택은 무작위 샘플링보다 데이터 효율성을 향상시켰다. 또한 메타데이터와 협업 필터링 신호는 각각 선택 품질을 개선했고, 저자원 환경에서는 합성 데이터가 부족한 실제 대화보다 우수한 성능을 보이면서도 실제 대화를 추가로 보완할 수 있음을 확인했다. 이러한 결과는 비대화형 도메인 신호가 대화형 훈련 데이터 없이 CRS를 구축할 수 있는 실현 가능한 경로임을 입증한다. 코드는 https://anonymous.4open.science/r/zero_data_crs/ 에서 확인할 수 있다.

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/ .