本文提出了一个名为 TG-ReDial 的新的对话推荐系统数据集，其具有包括主题线程和半自动构建在内的两个主要特征，为通过自然语义过渡实现主动引导的推荐场景；同时还提出了一种有效的基于主题引导的对话推荐方法， 并在主题预测、物品推荐和响应生成三个子任务上展示了该方法的有效性。

Oct, 2020

该论文探讨了从上下文中提取内部知识来进行个性化推荐的方法，包括实体级别和上下文级别的表示，以及一个时间感知关注机制和使用预训练的 BART 模型来初始化生成模块，结果表明这种方法在多种数据集上的表现优于使用更多外部领域特定知识的方法，并且具有诸多优点和适用场景。

Sep, 2022

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

本研究提出了十个评价角度以衡量对话式推荐系统（Conversational recommender system，CRS）中可解释性， 并且基于 E-ReDial 数据集训练了可以明显提高可解释性的模型，其中 GPT-3 适用于生成更真实和多样化的电影描述，而基于用户偏好生成的清晰推荐原因则适用于使用 T5 训练的模型。

May, 2023

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

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

对话式推荐系统是一个快速发展的研究领域，随着语言建模技术的进步而备受关注。然而，目前的对话式推荐系统面临许多挑战，由于其相对新颖和现有贡献的有限性。本研究探讨了用于开发对话式推荐系统模型的基准数据集，并解决了多轮互动中固有的反馈循环所产生的选择偏差和多元受欢迎度偏差等潜在偏差。借鉴语言模型和数据增强技术的成功，我们提出了两种新的策略 “Once-Aug” 和 “PopNudge”，以增强模型性能并减轻偏差。通过对 ReDial 和 TG-ReDial 基准数据集进行广泛实验，我们展示了我们的数据增强方法在对话式推荐系统技术上的持续改进，并提供了解决多个新形成的偏差的更多见解。

Oct, 2023

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

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