通过反事实数据模拟改进对话推荐系统

对话推荐系统（CRSs）旨在通过自然语言对话提供推荐服务。尽管已提出多种方法来构建具备能力的 CRSs，它们通常依赖充足的训练数据进行训练。由于面向推荐的对话数据集标注困难，现有 CRS 方法常因训练数据稀缺而面临训练不足的问题。为解决该问题，本文提出一种用于 CRS 的反事实数据模拟方法，称为 CFCRS，以缓解 CRSs 中的数据稀缺问题。我们的方法基于反事实数据增强框架开发，该框架在不干扰整体对话流的情况下，逐步将用户偏好的改写融入真实对话。为开发该方法，我们通过对话中涉及的实体刻画用户偏好并组织对话流，并基于对话流语言模型设计了一个多阶段推荐对话模拟器。在习得的用户偏好与对话模式指导下，该流语言模型可生成合理、连贯的对话流，并进一步实现为完整对话。基于该模拟器，我们对目标用户交互实体的表示进行干预，并设计了一种带课程调度策略的对抗训练方法，可逐步优化数据增强策略。大量实验表明，我们的方法能持续提升多个具有竞争力的 CRSs 的性能，并优于其他数据增强方法，尤其在训练数据有限时。我们的代码已公开于 https://github.com/RUCAIBox/CFCRS。