Neues Simulationsmodell für Conversational Recommender: Realistische Dialoge ohne Zielvorgaben

In einer wegweisenden Studie präsentiert das Forschungsteam von Interplay ein neues Simulationsframework, das die Entwicklung von Conversational Recommender Systemen (CRS) revolutioniert. Durch die Nutzung zweier unabhängiger Sprachmodelle – eines als Nutzer und eines als Recommender – entstehen Dialoge, die ohne vorab festgelegte Zielobjekte auskommen und damit authentischer wirken.

Traditionelle Ansätze setzen häufig ein einziges großes Sprachmodell ein, das komplette Gespräche generiert und dabei bereits Kenntnis über die zu empfehlenden Artikel besitzt. Das führt zu stark strukturierten, künstlichen Interaktionen. Das neue Modell hingegen lässt die beiden LLMs in Echtzeit miteinander kommunizieren, wobei lediglich Präferenzzusammenfassungen und Zielattribute ausgetauscht werden. Dadurch kann der Recommender echte Nutzerpräferenzen aus dem Gespräch herausziehen.

Die Ergebnisse zeigen, dass die erzeugten Dialoge nicht nur qualitativ mit etablierten Methoden mithalten, sondern diese in vielen Fällen sogar übertreffen. Zudem bietet das System eine skalierbare Lösung, um große Mengen an hochwertigen CRS-Daten zu generieren, ohne die Konversationen auf vordefinierte Zielobjekte einzuschränken.

Durch quantitative Messungen und menschliche Bewertungen wurde die Effektivität des Ansatzes bestätigt. Die Forschung unterstreicht damit das Potenzial, realistischere und vielfältigere Nutzer‑Recommender‑Interaktionen zu schaffen, was letztlich die Entwicklung leistungsfähigerer Conversational Recommender Systemen beschleunigt.