缓解对话推荐系统中的长尾问题
信息检索
2023-10-24 v1 人工智能
摘要
对话推荐系统(CRS)旨在通过自然语言对话提供推荐服务。要开发有效的CRS，高质量的CRS数据集至关重要。然而，现有CRS数据集存在长尾问题，即很大比例的物品在对话中很少(甚至从未)被提及，这些物品被称为长尾物品。因此，在这些数据集上训练的CRS倾向于推荐高频物品，所推荐物品的多样性大幅降低，使用户更容易感到厌倦。为解决此问题，本文提出\textbf{LOT-CRS}，一种新颖的框架，专注于模拟并利用均衡的CRS数据集(\ie均匀覆盖所有物品)以提升CRS的长尾推荐性能。在我们的方法中，我们设计两个预训练任务以增强对长尾物品模拟对话的理解，并采用带标签平滑策略的检索增强微调来进一步改善长尾物品的推荐。在两个公开CRS数据集上的大量实验证明了我们方法的有效性和可扩展性，尤其在长尾推荐方面。
引用
@article{arxiv.2307.11650,
title = {Alleviating the Long-Tail Problem in Conversational Recommender Systems},
author = {Zhipeng Zhao and Kun Zhou and Xiaolei Wang and Wayne Xin Zhao and Fan Pan and Zhao Cao and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2307.11650},
year = {2023}
}
备注
work in progress