Kuaishou
Beihang02 3.00
Evaluating Scene-based In-Situ Item Labeling for Immersive Conversational Recommendation
UofT
多伦多大学把对话式推荐（CRS）扩展到 XR 沉浸场景，提出 Immersive CRS：推荐项直接高亮在用户视野中并叠加“就地标签（in-situ label）”。论文把信息需求分为“显式意图满足”和“主动信息需求”两类，据此定义标签选择的评测指标，在 fashion/movie/retail 三个场景上对比 IR、LLM、VLM 三类方法，指出现有方法未利用场景特定模态、给出视觉可推断的冗余信息、且仅凭对话难以预判主动信息需求。
INSIGHT评测/问题定义型论文，对社区搜索的价值在评测方法：把“呈现什么信息”与“推荐什么物品”拆开评估，并区分显式意图与主动需求，可迁移到搜索结果摘要/卡片的信息取舍。它实测出 LLM/VLM 在场景模态利用与冗余抑制上的系统性不足，提醒做对话式/生成式搜索别只靠对话文本。局限是聚焦 XR 沉浸交互、与 UGC 文本搜索差距较大，借鉴点更多在评测范式层面。
Jiazhou Liang, Yifan Simon Liu, David Guo, Minqi Sun, Yilun Jiang, Scott Sanner
arXiv·2026-04-06·Relevance 2 · Novelty 3 · Practical 3 · Evidence 4 · Timely 5