从评论到对话：基于零样图LLM对话式推荐系统的主动数据合成

对话式推荐系统（CRS）通常需要大量领域特定的对话数据集，但高成本、隐私顾虑和数据收集挑战严重限制了其可得性。虽然大语言模型（LLM）显示出强大的零样图推荐能力，但实际应用中往往更倾向于使用规模较小、由内部管理的推荐模型，因为这有利于提升可扩展性、可解释性和数据隐私，尤其是在敏感或快速变化的领域。然而，这些较小的模型仍需大量领域特定的对话数据才能有效训练，这仍然难以获得。为此，我们提出一种主动数据增强框架，通过利用黑箱LLM并借助主动学习技术来合成对话式训练数据。具体而言，我们的方法利用公开的非对话式领域数据，包括物品元数据、用户评论和协同信号，作为种子输入。通过采用主动学习策略选择最具信息性的种子样本，我们的方法高效地引导LLM生成针对目标领域的、语义连贯的合成对话互动。广泛的实验表明，我们提议的框架生成的对话数据显著提高了基于LLM的CRS模型性能，有效解决了在零资源或低资源场景中构建CRS的挑战。