An Empirical Study on Zero-Data Bootstrapping for Conversational Recommender Systems

• 类型：arxiv
• 标识：2504.15476
• 链接：https://arxiv.org/abs/2504.15476
• 主分类：multimodal
• 形态：method
• 被引：7
• 被引来源：Semantic Scholar
• S2被引：7
• OpenAlex被引：1
• 影响力被引：0
• TLDR：The 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.
• OpenAlex ID：W4414631262
• OpenAlex DOI：10.48550/arxiv.2504.15476
• DOI：10.48550/arxiv.2504.15476
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2504.15476
• OpenAlex更新：2026-09-06
• 待LLM分类：否
• 标题中文：面向对话推荐系统的零数据引导的实证研究
• TLDR中文：结果表明：领域驱动的合成数据一致优于零样本提示与朴素合成基线；主动选择相比随机采样提升了数据效率；元数据与协同过滤信号各自提升选择质量；在低资源场景下，合成数据可优于稀缺的真实对话，并进一步对真实对话形成补充。
• 来源文件：
• /inbox/tom/_candidates/2026-09-04-agent-rag-longcontext-candidates.json
• [OpenAlex backfill]
• [S2 enrich]