面向对话推荐的多粒度超图兴趣建模
信息检索
2023-10-27 v2 人工智能
计算与语言
摘要
对话推荐系统（CRS）通过自然语言的多轮对话与用户交互，旨在为用户即时信息需求提供高质量推荐。尽管已有大量工作致力于开发有效的 CRS，但多数仍聚焦于当前对话的上下文信息，通常受限于数据稀疏问题。因此，我们考虑利用历史对话数据来丰富当前对话会话的有限上下文。本文提出一种新颖的多粒度超图兴趣建模方法，从不同视角捕捉复杂历史数据下用户的兴趣。作为核心思想，我们采用超图来表示历史对话背后复杂的语义关系。在我们的方法中，首先利用超图结构对用户历史对话会话进行建模，形成基于会话的超图，以捕捉粗粒度的会话级关系。其次，为缓解数据稀疏问题，我们使用外部知识图谱并构建考虑细粒度实体级语义的基于知识的超图。我们进一步在两类超图上执行多粒度超图卷积，并利用增强后的表示来开发兴趣感知的 CRS。在 ReDial 和 TG-ReDial 两个基准上的大量实验验证了我们的方法在推荐与对话任务上的有效性。代码见：https://github.com/RUCAIBox/MHIM。
引用
@article{arxiv.2305.04798,
title = {Multi-grained Hypergraph Interest Modeling for Conversational Recommendation},
author = {Chenzhan Shang and Yupeng Hou and Wayne Xin Zhao and Yaliang Li and Jing Zhang},
journal= {arXiv preprint arXiv:2305.04798},
year = {2023}
}