本論文は、ユーザの異質な意思決定スタイルと知識レベルを考慮しない既存の対話型推薦システム（CRS）の限界を克服するために、消費者タイプのモデリングを対話推薦に統合したCT-CRS（Consumer Type-Enhanced Conversational Recommender System）フレームワークを提案します。消費者タイプ理論に基づいて、意思決定スタイル（最大化者対満足者）と知識レベル（高対対低）の2つの次元から、依存、効率、慎重、および専門家の4つのユーザータイプを定義します。 CT-CRSはインタラクション履歴を活用し、大規模な言語モデルを微調整してリアルタイムでユーザータイプを自動的に推論し、静的なアンケートには依存しません。ユーザータイプを状態表現に統合し、推奨される粒度、多様性、および属性クエリの複雑さを動的に調整するタイプアダプティブポリシーを設計します。対話ポリシーをさらに最適化するために、逆強化学習（IRL）を採用して、エージェントが消費者の種類に基づいて専門家と同様の戦略を近似するようにします。 LastFM、Amazon-Book、Yelpの実験結果、CT-CRSは従来の方法よりも推奨成功率を高め、対話ターン数を減らすことを示しています。さらなる実験は、消費者タイプのモデリングとIRLの両方がパフォーマンスの向上に大きく貢献することを確認しました。結論として、CT-CRSは、心理的モデリングと高度なポリシー最適化の統合を通じてCRSのパーソナライゼーションを向上させるスケーラブルで解釈可能なソリューションを提供します。
