LumiCRS：面向长尾对话推荐系统的非对称对比原型学习
人工智能
2025-07-22 v2
摘要
对话推荐系统常常遭受对话数据极端长尾分布的困扰，导致对头部高频热门内容的强烈偏见，牺牲了多样性并加剧了冷启动问题。对DCRS的实证分析以及REDIAL语料库的统计表明，仅10%的头部电影占据了近一半的提及次数，而约70%的尾部电影仅获得26%的关注。这种不平衡引发了三个关键挑战：头部过拟合、主体表示漂移和尾部稀疏性。为了解决这些问题，我们提出了LumiCRS，一个通过三个相互增强的层来缓解长尾不平衡的端到端框架：(i) 自适应综合焦点损失，通过动态调整类别权重和聚焦因子来抑制头部过拟合并减少流行度偏差；(ii) 面向长尾推荐的原型学习，选择语义、情感和上下文原型来引导聚类并稳定主体和尾部表示；(iii) 一个由GPT-4o驱动的原型引导对话增强模块，自动生成多样化的长尾对话片段以缓解尾部稀疏性和分布偏移。这些策略共同使LumiCRS显著提高了推荐准确性、多样性和公平性：在REDIAL和INSPIRED基准上，LumiCRS在Recall@10和Tail-Recall@10上比十五个强基线提升了7-15%，而人工评估证实了其优越的流畅性、信息量和长尾相关性。这些结果证明了多层协作在构建高效且公平的长尾对话推荐系统中的有效性。
引用
@article{arxiv.2507.04722,
title = {LumiCRS: Asymmetric Contrastive Prototype Learning for Long-Tail Conversational Recommender Systems},
author = {Jinzhi Wang and Bin Li and Qingke Peng and Haozhou Li and Zeyuan Zeng and Ruimeng Li and Kaixuan Yang and Jiangbo Zhang and Biyi Zhou and Yaoying Wang},
journal= {arXiv preprint arXiv:2507.04722},
year = {2025}
}