Apr, 2022

多目标会话推荐系统的统一多任务学习框架

PDF
TL;DR提出了一种名为 UniMIND 的基于序列到序列范例的统一多目标会话推荐系统，采用基于提示的学习策略进行多任务学习，在两种 MG-CRS 基准（DuRecDial 和 TG-ReDial）上取得了最先进的性能。
multi-goal conversational recommender systemsunimindsequence-to-sequence paradigmprompt-based learning strategiesstate-of-the-art performance
发现论文，激发创造
  • 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

  • 走向统一的对话推荐系统：基于上下文化知识蒸馏的多任务学习

    论文提出了一种多任务学习的统一对话式推荐系统，通过上下文知识蒸馏，在提高推荐效果的同时增强了流畅性，并在多样性方面取得了可比较的结果。

    Oct, 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

  • 基于外部知识和目标指导的基于 LLM 的对话推荐系统

    本文旨在高效地使大型语言模型在会话推荐系统任务中使用外部知识和目标引导。通过对先进的大型语言模型在特定领域的会话推荐系统任务中的局限性进行综合评估，我们发现外部知识和目标引导对于推荐准确性和语言质量有显著的贡献。基于这一发现，我们提出了一种新颖的 ChatCRS 框架，通过实现知识检索代理和目标规划代理，将复杂的会话推荐系统任务分解为多个子任务。在两个多目标会话推荐系统数据集上的实验结果表明，ChatCRS 建立了新的最先进基准，将信息的语言质量提高了 17%，主动性提高了 27%，并且推荐准确性提升了十倍。

    May, 2024

  • 一种大型语言模型增强的对话式推荐系统

    利用大型语言模型开发了一种新的会话式推荐系统（LLMCRS），能够有效管理子任务、解决不同的子任务、并生成与用户交互的响应，通过细化工作流程和使用强化学习的反馈优化，实验结果表明其性能超过现有方法。

    Aug, 2023

  • 基于图形强化学习的统一会话推荐策略学习

    本文提出一种动态加权图强化学习方法，将 CRS 中的三个决策问题统一到一个策略学习任务中，并针对样本效率问题，提出两种动作选择策略，以解决 CRS 中的可伸缩性和稳定性问题。在两个基准 CRS 数据集和一个实际电子商务应用上的实验结果表明，该方法不仅显著优于现有方法，而且提高了 CRS 的可伸缩性和稳定性。

    May, 2021

  • 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

  • UniGDD: 一个面向目标的文档驱动对话的统一生成框架

    本文提出了一种基于文档的对话方法，通过生成理解文本的知识与回答用户提问，逐步消除错误传播问题，并采用温度调度方法减少文档信息的负面影响，实验结果证明了多任务学习策略的有效性。

    Apr, 2022

  • 多维用户建模的用户中心对话推荐

    本文提出了一种基于用户中心的对话推荐模型，该模型利用了用户历史对话记录和类似用户的信息作为用户偏好的重要来源，在对话生成和推荐方面表现出了优越性。

    Apr, 2022

  • RecInDial：一个基于预训练语言模型的统一对话推荐框架

    本研究提出了一种新的集成推荐和对话生成的统一框架来解决对话推荐系统中资源匮乏和一般性问题，使用大规模预训练语言模型可以生成流利和多样的回复，并利用基于实体导向知识图的知识感知偏差来增强推荐性能。模型实验表明，RecInDial 模型明显优于现有技术水平。

    Oct, 2021