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
本文提出了一种基于预训练的方法,通过历史交互数据和会话数据整合两种基于项目和属性的偏好序列,使用有效的负样本生成器来提高学习性能,从而改进对话推荐系统 (CRS)。实验结果表明了这种基于预训练方法的有效性。
Aug, 2020
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
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
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
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
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