面向多目标对话推荐系统的统一多任务学习框架
信息检索
2022-04-15 v1 计算与语言
摘要
近年来，多目标对话推荐系统（MG-CRS）取得了若干进展，其能够主动吸引用户兴趣，并自然引导具有多个对话目标和多样话题的用户参与对话。MG-CRS 通常涉及四项任务，包括目标规划、话题预测、物品推荐和回复生成。大多数现有研究仅解决其中部分任务。为处理 MG-CRS 的整体问题，采用了模块化框架，其中每项任务被独立处理而未考虑其相互依赖关系。在本工作中，我们提出了一种新颖的统一多目标对话推荐系统，即 UniMIND。具体而言，我们将这些具有不同表述的四项任务统一到相同的序列到序列（Seq2Seq）范式下。我们研究了基于提示的学习策略，以赋予统一模型多任务学习能力。最后，整体学习与推理过程包含三个阶段，包括多任务学习、基于提示的微调与推理。在两个 MG-CRS 基准（DuRecDial 和 TG-ReDial）上的实验结果表明，UniMIND 以统一模型在所有任务上均达到了最先进（SOTA）性能。我们提供了广泛的分析与讨论，以期为 MG-CRS 提供新的视角。
引用
@article{arxiv.2204.06923,
title = {A Unified Multi-task Learning Framework for Multi-goal Conversational Recommender Systems},
author = {Yang Deng and Wenxuan Zhang and Weiwen Xu and Wenqiang Lei and Tat-Seng Chua and Wai Lam},
journal= {arXiv preprint arXiv:2204.06923},
year = {2022}
}