Bundle MCR：面向对话式捆绑推荐
信息检索
2022-07-27 v1 人工智能
摘要
捆绑推荐系统向用户推荐物品集合（如裤子、衬衫和鞋），但常受限于两个问题：显著的交互稀疏性与巨大的输出空间。本工作中，我们扩展多轮对话式推荐（MCR）以缓解这些问题。MCR通过对话范式询问用户对标签（如类别或属性）的偏好并处理多轮用户反馈来引出用户兴趣，是一种新兴的推荐设定，用于获取用户反馈并缩小输出空间，但尚未在捆绑推荐背景下被探索。本工作中，我们提出一种名为Bundle MCR的新推荐任务。我们首先提出一个新框架，将Bundle MCR建模为具有多智能体的马尔可夫决策过程（MDPs），用于捆绑情境下的用户建模、咨询与反馈处理。在该框架下，我们提出一种称为Bundle Bert（Bunt）的模型架构，以（1）推荐物品、（2）提出问题并（3）基于捆绑感知对话状态管理对话。此外，为有效训练Bunt，我们提出两阶段训练策略。在离线预训练阶段，Bunt通过多个完形填空任务训练以模拟对话中的捆绑交互。随后在在线微调阶段，Bunt智能体通过用户交互得到增强。我们在多个离线数据集及人工评估上的实验显示了将MCR框架扩展至捆绑设定的价值以及我们Bunt设计的有效性。
引用
@article{arxiv.2207.12628,
title = {Bundle MCR: Towards Conversational Bundle Recommendation},
author = {Zhankui He and Handong Zhao and Tong Yu and Sungchul Kim and Fan Du and Julian McAuley},
journal= {arXiv preprint arXiv:2207.12628},
year = {2022}
}
备注
RecSys 2022