通过十亿规模知识图谱预训练改进对话推荐系统
信息检索
2021-05-03 v1 人工智能
摘要
电子商务平台中的对话推荐系统(CRSs)旨在通过多次对话交互向用户推荐物品。点击率(CTR)预测模型常用于对候选物品排序。然而，大多数CRSs饱受数据稀缺与稀疏问题的困扰。为解决此问题，我们提出一种新颖的知识增强深度交叉网络(K-DCN)，一种用于物品推荐的两步(预训练与微调)CTR预测模型。我们首先从用户、物品和对话信息中构建十亿规模的对话知识图谱(CKG)，随后通过引入知识图谱嵌入方法和图卷积网络分别编码语义与结构信息来预训练CKG。为使CTR预测模型感知用户当前状态及对话与物品间的关系，我们基于预训练CKG引入用户状态表示与对话交互表示，并提出K-DCN。在K-DCN中，我们通过深度交叉网络融合用户状态表示、对话交互表示及其他常规特征表示，从而给出待推荐候选物品的排序。实验证明我们的方案显著优于基线方法，并展示了其在Alime中的实际应用。
引用
@article{arxiv.2104.14899,
title = {Improving Conversational Recommendation System by Pretraining on Billions Scale of Knowledge Graph},
author = {Chi-Man Wong and Fan Feng and Wen Zhang and Chi-Man Vong and Hui Chen and Yichi Zhang and Peng He and Huan Chen and Kun Zhao and Huajun Chen},
journal= {arXiv preprint arXiv:2104.14899},
year = {2021}
}
备注
Paper is accepted by ICDE2021 industry track