估计-行动-反思：迈向对话系统与推荐系统间的深度交互
信息检索
2020-02-24 v1
摘要
推荐系统正在拥抱对话技术以动态获取用户偏好，并克服其静态模型的固有局限。一个成功的对话推荐系统（CRS）需要妥善处理对话与推荐之间的交互。我们认为有三个基本问题需要解决：1）就物品属性该问什么问题，2）何时推荐物品，以及3）如何适应用户的在线反馈。据我们所知，缺乏一个统一框架来解决这些问题。本工作中，我们通过提出一个名为估计-行动-反思（EAR）的新CRS框架填补了这一交互框架的空白，该框架由三个阶段组成以更好地与用户对话。（1）估计，构建预测模型以估计用户对物品及物品属性的偏好；（2）行动，基于估计阶段和对话历史学习对话策略，决定是否询问属性或推荐物品；（3）反思，当用户拒绝行动阶段做出的推荐时更新推荐模型。我们给出了基于二元和枚举问题的两种对话场景，并分别在来自Yelp和LastFM的两个数据集上对每个场景进行了大量实验。我们的实验表明，相较于最先进方法CRM [32]，取得了显著改进，对应更少的对话轮次和更高水平的推荐命中。
引用
@article{arxiv.2002.09102,
title = {Estimation-Action-Reflection: Towards Deep Interaction Between Conversational and Recommender Systems},
author = {Wenqiang Lei and Xiangnan He and Yisong Miao and Qingyun Wu and Richang Hong and Min-Yen Kan and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2002.09102},
year = {2020}
}
备注
WSDM '20 oral, 9 pages, 3 figures