超越整体对话建模：用于对话推荐的情境解耦
信息检索
2025-04-25 v1
摘要
对话推荐系统旨在通过分析和利用与对话相关的情境信息来提供个性化推荐。然而，现有方法通常将对话情境整体建模，忽视了对话内部的复杂性和耦合性。具体而言，对话包含焦点信息和背景信息，这两种信息彼此影响。当前方法倾向于将这两种信息混合建模，导致对用户实际需求的误解，从而降低推荐准确性。为解决此问题，本文提出了一种新颖的模型，称为 DisenCRS，引入情境解耦以提高对话推荐系统的性能。该提议模型 DisenCRS 采用双重解耦框架，包括自监督对比解耦和反事实推断解耦，在无监督条件下有效区分焦点信息和背景信息。此外，我们设计了自适应提示学习模块，以根据特定对话情境自动选择最合适的提示，充分利用大型语言模型的强大能力。在两个广泛使用的公开数据集上的实验结果表明，DisenCRS 在项目推荐和响应生成任务上均显著优于现有的对话推荐模型，实现了卓越的性能。
引用
@article{arxiv.2504.17427,
title = {Beyond Whole Dialogue Modeling: Contextual Disentanglement for Conversational Recommendation},
author = {Guojia An and Jie Zou and Jiwei Wei and Chaoning Zhang and Fuming Sun and Yang Yang},
journal= {arXiv preprint arXiv:2504.17427},
year = {2025}
}