Jan, 2021

对话式推荐系统的进展与挑战：综述

PDF
TL;DR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。
conversational recommender systemsuser preference elicitationnatural language processinginformation retrievalhuman-computer interaction
发现论文，激发创造
  • 对话式推荐系统调查

    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

  • 定制化对话推荐系统

    本文提出了定制化对话推荐系统（CCRS）的概念，以提高用户体验，包括多样化的对话回复生成器和细粒度意向识别，并通过元学习的方法定制化模型参数，实验表明 CCRS 在推荐和对话服务方面具有优越性。

    Jun, 2022

  • 使用层次知识建模多用户兴趣的对话式推荐系统

    本文提出了在对话推荐系统中对用户多个兴趣点的建模方法，实验证明此方法可以比基准模型 CR-Walker 推荐更广泛的物品。

    Mar, 2023

  • BARCOR: 面向会话推荐系统的统一框架

    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

  • 对话式推荐作为检索：一个简单而强大的基准模型

    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

  • 利用历史交互数据提高对话推荐系统

    本文提出了一种基于预训练的方法，通过历史交互数据和会话数据整合两种基于项目和属性的偏好序列，使用有效的负样本生成器来提高学习性能，从而改进对话推荐系统 (CRS)。实验结果表明了这种基于预训练方法的有效性。

    Aug, 2020

  • 通过知识增强的提示学习实现统一的对话式推荐系统

    本论文提出了基于知识增强提示学习的统一会话型推荐系统模型 UniCRS，通过使用包含融合知识表示、任务特定软标记和对话上下文的知识增强提示来实现一体化的推荐和对话子任务，并证明了这种方法的有效性。

    Jun, 2022

  • 估计 - 行动 - 反思：走向对话型和推荐系统之间的深度交互

    本文提出了一种名为 EAR 的新的 CRS 框架，旨在解决三个基本问题：何时提供推荐、什么问题可以问及什么时候以及如何应对用户的反馈。该框架包括三个阶段：估计、操作、反思。在 Yelp 和 LastFM 数据集上进行的广泛实验表明，该框架显著改进了现有方法与 CRM（32）相比，在推荐准确度上有更高的命中率和更少的对话轮次。

    Feb, 2020

  • 以语言处理任务为基础的参数高效对话推荐系统

    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

  • INFACT: 一种用于对话推荐的在线人类评估框架

    本文讨论了对话式推荐系统的评估方法，指出当前主要依赖离线计算度量方式可能存在不足，建议结合人类主观感受开展模型评价，以提高模型性能的准确性和有效性。

    Sep, 2022