基于贝叶斯知识驱动与间接证据的批判式推荐
信息检索
2023-06-12 v1
摘要
对话式推荐系统（CRS）通过多轮用户-系统交互增强了推荐的表达性与个性化。批判（critiquing）是 CRS 中一种著名的范式，允许用户通过提供关于推荐物品属性的反馈来迭代地优化推荐。尽管现有批判方法利用物品的直接属性来响应用户请求（如“我更喜欢西部电影”），但将知识图谱（KG）中存储的更丰富的物品上下文与侧信息纳入批判范式的机会一直被忽视。利用这些大量知识以及成熟的推理方法，为基于批判的推荐系统开辟了路径，使其能够处理自然用户-系统对话中可能出现的复杂基于知识的反馈（例如“我喜欢展现战争对退伍军人影响的电影”）。在本工作中，我们旨在通过整合 KG 来提高基于批判的推荐的灵活性，并提出一种新颖的贝叶斯推断框架，该框架能够基于关系知识反馈进行推理。我们研究并形式化了该框架，考虑高斯似然，并在两个知名的带 KG 推荐数据集上进行了评估。我们的评估证明了该框架在利用基于 KG 的间接反馈（即偏好的物品关系属性而非物品本身）方面的有效性，相较一次性推荐器，常将个性化推荐效果提升超过 15%。本工作实现了一种新范式，即将丰富知识内容与基于间接证据的推理作为与 CRS 进行批判交互的机制。
引用
@article{arxiv.2306.05636,
title = {Bayesian Knowledge-driven Critiquing with Indirect Evidence},
author = {Armin Toroghi and Griffin Floto and Zhenwei Tang and Scott Sanner},
journal= {arXiv preprint arXiv:2306.05636},
year = {2023}
}