May, 2023

面向可解释的会话推荐系统

PDF
TL;DR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。
发现论文，激发创造
  • EGCR: 对话式推荐的解释生成

    提出了一个名为 EGCR 的新型端到端框架，以从用户评论中提取信息来增强项目表示，并提供解释信息，提高了推荐准确性和对话质量，并增强了可信度。

    Aug, 2022

  • 通过上下文和时态建模改进对话推荐系统，减少领域特定知识

    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

  • 面向主题引导的对话式推荐系统

    本文提出了一个名为 TG-ReDial 的新的对话推荐系统数据集，其具有包括主题线程和半自动构建在内的两个主要特征，为通过自然语义过渡实现主动引导的推荐场景；同时还提出了一种有效的基于主题引导的对话推荐方法， 并在主题预测、物品推荐和响应生成三个子任务上展示了该方法的有效性。

    Oct, 2020

  • 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

  • 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

  • 利用合成评论提高可解释性推荐

    论文提出了一种使用生成文本解释推荐结果的框架，旨在为推荐系统提供可解释性，实现个性化解释，实验结果表明，与人类编写的评论相比，生成的评论在推荐性能方面表现更好。

    Jul, 2018

  • 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

  • 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

  • 以语言处理任务为基础的参数高效对话推荐系统

    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

  • 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