EMNLPOct, 2023

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

PDF
TL;DR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。
conversational recommendation systemmulti-task learningcontextualized knowledge distillationrecommendation performancefluency
发现论文，激发创造
  • 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

  • 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

  • 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

  • 多目标会话推荐系统的统一多任务学习框架

    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。

    Apr, 2022

  • 基于知识图谱的语义融合改进对话式推荐系统

    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

  • C2-CRS：面向对话推荐系统的粗到细对比学习

    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

  • 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

  • 使用层次知识建模多用户兴趣的对话式推荐系统

    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

  • 多任务推荐中的跨任务知识蒸馏

    提出了一种交叉任务知识蒸馏框架，通过引入辅助任务和校准蒸馏方法，解决了多任务学习中涉及的任务冲突、不一致和同步优化的问题，在实现细粒度推荐、跨任务知识转移等方面有显著效果。

    Feb, 2022

  • 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