通过偏差分析与语言模型增强的数据增进来改进对话推荐系统
计算与语言
2023-10-26 v1 信息检索
摘要
对话推荐系统(CRS)是一个快速发展的研究领域，随着语言建模技术的进步已获得显著关注。然而，由于其相对新颖且现有贡献有限，当前对话推荐面临诸多挑战。在本研究中，我们深入探究用于开发CRS模型的基准数据集，并解决由多轮交互中固有的反馈循环所产生的潜在偏差，包括选择偏差和多种流行度偏差变体。受使用语言模型进行生成式数据与数据增强技术成功的启发，我们提出两种新策略“Once-Aug”和“PopNudge”，在减轻偏差的同时提升模型性能。通过在ReDial和TG-ReDial基准数据集上的大量实验，我们展示了采用我们的数据增强方法后CRS技术的一致改进，并针对处理多个新提出的偏差提供了额外见解。
引用
@article{arxiv.2310.16738,
title = {Improving Conversational Recommendation Systems via Bias Analysis and Language-Model-Enhanced Data Augmentation},
author = {Xi Wang and Hossein A. Rahmani and Jiqun Liu and Emine Yilmaz},
journal= {arXiv preprint arXiv:2310.16738},
year = {2023}
}
备注
Accepted by EMNLP 2023 (Findings)