旅行领域中的深度对话推荐系统
计算与语言
2019-07-03 v1 人工智能
信息检索
机器学习
摘要
当前往外国旅行时，我们常常极度需要一个智能对话代理来对我们的各种查询提供即时且信息丰富的响应。然而，构建这样一个旅行代理并非易事。首先，旅行自然涉及若干子任务，如酒店预订、餐厅推荐和出租车预订等，这引发了对全局话题控制的需求。其次，代理应考虑用户给出的价格和距离等各种约束来推荐合适的场所。在本文中，我们提出一种深度对话推荐系统（DCR）并应用于旅行。它通过神经隐话题组件增强序列到序列（seq2seq）模型，以更好地引导响应生成并使训练更容易。为考虑场所推荐的各种约束，我们利用基于图卷积网络（GCN）的方法来捕捉不同场所之间的关系以及场所与对话上下文之间的匹配。对于响应生成，我们将基于话题的组件与指针网络的想法结合，使我们能有效融入推荐结果。我们在旅行领域的多轮任务导向对话数据集上进行广泛评估，结果表明我们的方法相较于大量基线取得了更优的性能。
引用
@article{arxiv.1907.00710,
title = {Deep Conversational Recommender in Travel},
author = {Lizi Liao and Ryuichi Takanobu and Yunshan Ma and Xun Yang and Minlie Huang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:1907.00710},
year = {2019}
}
备注
12 pages, 7 figures, submitted to TKDE. arXiv admin note: text overlap with arXiv:1809.07070 by other authors