面向大语言模型的记忆增强顺序对话推荐系统
信息检索
2024-07-09 v1
摘要
对话式推荐系统（CRS）旨在通过多轮自然语言对话捕捉用户偏好并提供个性化推荐。然而，大多数现有 CRS 模型主要关注当前对话会话中的对话理解和偏好挖掘，忽略了历史对话会话中用户的偏好。用户历史对话会话中的偏好与当前会话中的偏好具有连续性和顺序性，我们将具有这一特征的 CRS 称为顺序 CRS。本文利用记忆增强的大语言模型（LLM）来建模偏好的连续性，主要关注解决两个关键问题：（1）历史对话会话中的冗余和噪声，（2）冷启动用户问题。为此，我们提出了一种基于大语言模型的记忆增强对话式推荐系统框架（称为 MemoCRS），由用户特定记忆和通用记忆组成。用户特定记忆针对每个用户的个人兴趣进行定制化，通过基于实体的记忆库来细化偏好并检索相关记忆，从而减少历史会话的冗余和噪声。通用记忆包含协同知识和推理指南，可为用户提供共享知识，尤其是针对冷启动用户。通过这两种记忆，LLM 能够为每个用户提供更精确和量身定制的推荐。在中英文数据集上进行的大量实验表明了 MemoCRS 的有效性。
引用
@article{arxiv.2407.04960,
title = {MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models},
author = {Yunjia Xi and Weiwen Liu and Jianghao Lin and Bo Chen and Ruiming Tang and Weinan Zhang and Yong Yu},
journal= {arXiv preprint arXiv:2407.04960},
year = {2024}
}