一次对话胜千次推荐：整体式对话推荐系统综述
计算与语言
2023-09-15 v1 信息检索
摘要
对话推荐系统（CRS）通过交互过程生成推荐。然而，并非所有 CRS 方法都使用人类对话作为交互数据来源；以往大多数 CRS 工作通过交换实体级信息来模拟交互。因此，以往 CRS 工作的结论无法推广到真实场景，在真实场景中对话会出现意外转折，或对话与意图理解并不完美。为应对这一挑战，研究界已开始考察整体式 CRS（holistic CRS），其使用从真实场景收集到的对话数据进行训练。尽管这类整体式方法已经出现，但仍未被充分探索。我们以结构化方式总结文献，对整体式 CRS 方法进行了全面综述。我们的综述将整体式 CRS 方法视为包含三个组成部分：1) 骨干语言模型，2) 外部知识（可选使用），和/或 3) 外部引导（可选使用）。我们还对真实应用场景中的 CRS 数据集与评估方法作了详细分析。我们就整体式 CRS 当前的挑战与可能的未来趋势提出了见解。
引用
@article{arxiv.2309.07682,
title = {A Conversation is Worth A Thousand Recommendations: A Survey of Holistic Conversational Recommender Systems},
author = {Chuang Li and Hengchang Hu and Yan Zhang and Min-Yen Kan and Haizhou Li},
journal= {arXiv preprint arXiv:2309.07682},
year = {2023}
}
备注
Accepted by 5th KaRS Workshop @ ACM RecSys 2023, 8 pages