MMNov, 2021

通过使用相关问题在对话式推荐系统中征求用户偏好

PDF
TL;DR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。
conversational recommender systemspreference elicitationnatural language processingneural text-to-text modeldata annotation protocol
发现论文，激发创造
  • 交互推荐中的软属性偏好征求

    基于软属性，利用概念激活向量开发了一种新颖的偏好征集方法，结合了物品和属性的偏好征集，以提高推荐系统的推荐质量。

    Oct, 2023

  • 对话式推荐系统的进展与挑战：综述

    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

  • 面向问题的推荐系统

    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

  • 在谈话式推荐中学习如何提出恰当的问题

    该研究提出了一种基于知识图谱的问答生成系统（KBQG），通过识别结构化知识图中最相关的关系，以更细的粒度建模用户偏好，进而生成个性化的解决方案，从而实现更准确的推荐。在真实数据集的实验中，该系统的表现优于现有的对话型推荐系统。

    May, 2021

  • 通过用户模拟评估对话式推荐系统

    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

  • 通过对话式播放列表数据集探究用户对音乐集合的偏好

    研究了在音乐等消费领域中用户在一个充满多个项（例如播放列表或电台）的集合中提供偏好而不是单个项目的有效性，提出了一种数据收集方法从而使用户在自然语言中表达他们的偏好，并且在此基础上提出了一系列基准模型来实现对话式歌单策展任务。

    Mar, 2023

  • 信息检索对话中的用户意图预测

    研究了信息检索中用户意图识别的两个方面，提取基于内容，结构和情感特征的特征，利用经典机器学习方法执行用户意图预测，使用特征重要性分析确定了结构特征对预测的贡献最大，并构建了神经分类器以提高性能。

    Jan, 2019

  • 基于语言模型和概率推理的主动偏好推断

    通过使用一种熵减算法，我们提出了一种推理时算法，帮助大型语言模型快速推理用户偏好，并通过提问来优化期望熵和期望模型变化，从而使其在任务表现上胜过基线模型，在使用较少用户交互的情况下提升了性能。

    Dec, 2023

  • 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

  • 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