多维用户建模的用户中心对话推荐
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
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
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
该研究提出一种粗粒度到细粒度对比学习框架以提升自然语言对话式推荐系统中外部数据的语义融合，旨在解决从有限的对话内容中精准推断用户偏好的问题，并在公共数据集上进行了广泛的实验来证明效果。
Jan, 2022
本文提出了一种基于超图模型的历史对话数据建模方法，旨在解决上下文信息匮乏和数据稀缺的问题，该方法基于会话级和实体级语义关系构建超图，并进行多粒度卷积，以提高兴趣感知型对话推荐系统在推荐和对话任务中的效果。
May, 2023
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