KECRS：面向知识增强的对话推荐系统
计算与语言
2021-05-19 v1
摘要
基于闲聊的对话推荐系统（CRS）通过自然语言交互向用户提供物品推荐。为更好理解用户意图，外部知识图谱（KG）已被引入基于闲聊的 CRS。然而，现有基于闲聊的 CRS 通常生成重复的物品推荐，且无法将 KG 中的知识恰当注入 CRS 以生成信息丰富的回复。为弥补这些问题，我们首先重构对话推荐任务，强调所推荐物品应为新颖且用户可能感兴趣的。随后，我们提出知识增强对话推荐系统（KECRS）。具体而言，我们设计实体词袋（BOE）损失与注入损失，以更好地将 KG 与 CRS 整合，生成更多样且信息丰富的回复。BOE 损失提供额外监督信号，引导 CRS 同时从人工撰写话语与 KG 中学习。注入损失通过最小化相同词在词嵌入与实体嵌入中的距离，弥合二者间的鸿沟。此外，我们构建高质量 KG，即电影领域知识图谱（TMDKG），以推进研究。在大规模数据集上的实验结果表明，KECRS 在推荐准确率和回复生成质量上均优于最先进的基于闲聊的 CRS。
引用
@article{arxiv.2105.08261,
title = {KECRS: Towards Knowledge-Enriched Conversational Recommendation System},
author = {Tong Zhang and Yong Liu and Peixiang Zhong and Chen Zhang and Hao Wang and Chunyan Miao},
journal= {arXiv preprint arXiv:2105.08261},
year = {2021}
}