利用描述图提升对话推荐中物品与上下文理解
信息检索
2023-04-19 v1 计算与语言
机器学习
摘要
对话推荐系统(CRS)的最先进方法利用外部知识来增强物品与上下文词的表示，以实现高质量推荐与回复生成。然而，物品与词的表示通常在两个分离的语义空间中建模，导致二者之间的错位问题。因此，这将使 CRS 仅达到次优排序性能，尤其在来自用户输入的信息不足时。为克服以往工作的局限，我们提出新的 CRS 框架 KLEVER，其在同一语义空间中联合建模物品及其关联上下文词。特别地，我们从丰富的物品文本特征（如物品描述与类别）构建物品描述图。基于所构建的描述图，KLEVER 联合学习词与物品的嵌入，以增强推荐与对话生成模块。在基准 CRS 数据集上的大量实验表明，KLEVER 取得了优越性能，尤其在用户回复信息缺失时。
引用
@article{arxiv.2304.09093,
title = {Improving Items and Contexts Understanding with Descriptive Graph for Conversational Recommendation},
author = {Huy Dao and Dung D. Le and Cuong Chu},
journal= {arXiv preprint arXiv:2304.09093},
year = {2023}
}
备注
14 pages, 3 figures, 9 tables