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

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

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

CoRE-CoG 是一种新的对话式推荐系统，通过引入推荐触发器、类型修剪模块和受限响应生成器等模块，实现了同时准确推荐决策和流利系统话语的目标。与基准系统相比，在条件生成子任务上具有接近 10 个 F1 和 4 个 Recall@1 百分点的优势。

Nov, 2023

该论文提出了基于知识图谱的对话推荐系统（KECRS），通过引入 Bag-of-Entity loss 和 infusion loss，将外部知识图谱和人类语言相结合，从而生成更多元化和信息丰富的响应建议。实验表明，KECRS 的准确性和生成质量在推荐系统方面均优于现有的基于聊天的对话推荐系统。

May, 2021

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

本论文介绍了一种使用知识图谱和互信息最大化技术的对话式推荐系统，通过增强对话数据表示来解决上下文信息不足以及自然语言表达和用户偏好之间的语义鸿沟问题，从而在推荐和对话任务方面提高了性能。

Jul, 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

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