基于贝叶斯的对话式推荐系统

AAAIFeb, 2020

A Bayesian Approach to Conversational Recommendation Systems

Francesca Mangili, Denis Broggini, Alessandro Antonucci, Marco Alberti, Lorenzo Cimasoni

TL;DR基于贝叶斯方法的对话式推荐系统，通过概率质量函数更新物品，信息理论标准最优地塑造互动并决定何时结束对话，并相应地推荐最可能的物品，结合历史数据进行先验信息推断，应用于 stagend.com 平台，并通过实证分析显示出推荐质量和效率方面的优势。

Abstract

We present a conversational recommendation system based on a Bayesian approach. A probability mass function over the items is updated after any i

发现论文，激发创造

本论文提出了一种名为 Qrec 的基于问题的推荐方法，采用新颖的矩阵分解和二进制搜索策略，使得用户可以通过回答问题寻找物品推荐，实现了主动式交互推荐，比传统方法更有效。

May, 2020

本文详细调查了面向会话的推荐技术现有的方法，将这些方法按支持的用户意向或背景知识等维度分类，同时讨论了技术方法、CRS 的评估，以及未来需要更多研究的领域。

Apr, 2020

本文提出了一种 IR 式方法，将对话表示为查询，将物品表示为待检索的文档，扩展了用于检索的文档表示，并使用 BM25 检索器进行比较，证明了该方法比使用复杂外部知识的基线模型效果好，同时通过用户中心建模和数据增强来解决 CRS 的冷启动问题。

May, 2023

本文提出一种通过用户模拟来替代人类评估的方法，以实现对话推荐系统的自动评估。作者表明，通过考虑用户的个人喜好和与系统的一般交互流程，偏好建模和特定任务交互模型都有助于实现高度自动化的绩效评估结果和人工人工评估的高度相关性。

Jun, 2020

本文提出了一种基于 BART 的统一框架，针对面向对话推荐的两个任务（推荐和响应生成）设计了单一模型，另外还构建了一个电影领域的轻量级知识图谱，在自动化和人类评估方面都取得了最先进的表现。

Mar, 2022

本文提出将对话系统和推荐系统结合到一起，基于深度强化学习框架构建个性化的对话推荐代理以优化每个会话的效用函数。

Jun, 2018

该研究论文提出了一种基于使用情况的隐式问题提取方法，利用大型评论语料库中的句子和神经文本转换模型生成问题，以更有效地收集用户偏好，通过众包方式完成多阶段数据注释协议以准确标记神经模型训练数据，并进行了模型性能分析。

Nov, 2021

创建个性化辅助，将个性化推荐系统和对话系统的优势相结合，并通过即时对话获取用户个人偏好，帮助用户更快、更准确地找到满意的物品，比传统的非自适应版本的系统交互次数更少，时间更短。

Jun, 2011

本文系统地回顾了当前对话式推荐系统（CRSs）的技术，总结了 CRSs 开发中的 5 个关键方向：基于问题的用户偏好获取、多轮对话推荐策略、对话理解和生成、开发利用折中和探索等方法的算法、以及 CRSs 的评估和用户模拟问题，并根据这些研究方向讨论了一些未来的挑战和机遇。

Jan, 2021

使用预先训练的语言模型以自然语言表示项，通过语义匹配进行项目推荐和对话生成的统一模型 PECRS，在两个基准数据集上的实验证明了其在推荐和对话方面的有效性。

Jan, 2024