- 使用描述性图来提高对话推荐中的物品和情境理解
本文介绍了一种新的会话式推荐系统框架 KLEVER,该框架通过构建物品描述图并联合学习物品和其相关上下文词语的嵌入来增强推荐和对话生成模块,从而提高推荐系统的性能。实验结果显示,KLEVER 在用户输入信息缺乏时表现出优异的性能。
- Chat-REC:面向可交互和可解释的 LLMs 增强型推荐系统
本文提出使用大型语言模型与 Chat-Rec 范例的对话推荐系统(CRS)来提高传统推荐系统的互动性与可解释性,并演示了其在学习用户喜好和在零样本评级预测任务的表现改进方面具有的有效性。
- 通过对抗示例评估会话推荐系统的鲁棒性
本文介绍了一个对话推荐系统(CRSs)的鲁棒性评估方案,其中自动生成敌对样本以评估系统在不同输入数据面前的鲁棒性。通过执行这些敌对样本,我们可以比较不同 CRSs 满足用户偏好的能力,并表明测试的三个 CRSs 都不够稳健和可靠。
- AAAICOLA: 通过协作增强改进对话式推荐系统
通过协同增强的方法,利用交互式用户 - 项目图表和门控技术增进用户和项目的特征表示,在获取商品信息方面有更好的表现。
- 针对对话推荐系统的合成数据集评估
本研究提出对生成模型产生的数据集进行多方面评估的框架,探讨了各种评估方法的优缺点
- 对话推荐系统中意图识别
本文研究了对话推荐系统中的最近工作,并介绍了一种将上下文化的输入与学习模型联系起来以支持意图识别的方法,使用 transformer 基础模型在数据集 MSDialogue 上进行了性能评估。
- 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 - INFACT: 一种用于对话推荐的在线人类评估框架
本文讨论了对话式推荐系统的评估方法,指出当前主要依赖离线计算度量方式可能存在不足,建议结合人类主观感受开展模型评价,以提高模型性能的准确性和有效性。
- INSPIRED2: 一个改进的社交对话推荐数据集
本文研究了人工标注数据对于对话式推荐系统中实体识别精准性和回应一致性的影响,并以 INSPIRED2 数据集为例,证明数据质量对于对话式推荐系统的学习和表现具有重要意义。
- KDD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。
- KDD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。
- WSDM针对冷启动对话推荐的元策略学习
本文通过基于元强化学习的会话推荐系统策略学习,提出了三个协同的组件,包括专注于识别用户偏好的元探索策略、为每个用户调整项目推荐模块以最大化推荐质量、基于 Transformer 的状态编码器,以在会话期间建模正反馈之间的复杂关系,实现对新用 - SIGIR多维用户建模的用户中心对话推荐
本文提出了一种基于用户中心的对话推荐模型,该模型利用了用户历史对话记录和类似用户的信息作为用户偏好的重要来源,在对话生成和推荐方面表现出了优越性。
- AAAIFORCE:基于规则的对话推荐框架
提出了一种基于规则的对话式推荐系统框架 FORCE,帮助开发者通过简单配置快速建立不受大规模人工注释数据集限制、能够应对冷启动场景的 CRS 机器人。作者在两个不同语言和领域的数据集上进行了实验,验证其有效性和可用性。
- 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。
- MM通过使用相关问题在对话式推荐系统中征求用户偏好
该研究论文提出了一种基于使用情况的隐式问题提取方法,利用大型评论语料库中的句子和神经文本转换模型生成问题,以更有效地收集用户偏好,通过众包方式完成多阶段数据注释协议以准确标记神经模型训练数据,并进行了模型性能分析。
- SIGIR基于图形强化学习的统一会话推荐策略学习
本文提出一种动态加权图强化学习方法,将 CRS 中的三个决策问题统一到一个策略学习任务中,并针对样本效率问题,提出两种动作选择策略,以解决 CRS 中的可伸缩性和稳定性问题。在两个基准 CRS 数据集和一个实际电子商务应用上的实验结果表明, - SIGIR在谈话式推荐中学习如何提出恰当的问题
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。
- 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 - EMNLPCR-Walker: 基于树形图的图推理和对话行为技术,用于对话式推荐
CR-Walker 是一种新的 Conversational Recommender Systems 模型,利用知识图谱进行基于树形结构的推理和产生提示对话行为的指导,可以实现更准确的推荐和更具信息量和吸引力的回应。