面向对话推荐的多视图超图对比策略学习
信息检索
2023-07-27 v1
摘要
对话推荐系统（CRS）旨在以交互方式获取用户偏好并据此向用户推荐物品。准确学习动态用户偏好对 CRS 至关重要。先前工作利用来自交互对话与物品知识的成对关系来学习用户偏好，却很大程度上忽略了 CRS 中关系成因是多重的这一事实。具体而言，用户喜欢/不喜欢满足某些属性的物品（喜欢/不喜欢视图）。此外，社交影响是另一影响用户对物品偏好的重要因素（社交视图），却在前述 CRS 工作中被大量忽略。来自这三个视图的用户偏好本质上不同但作为整体相互关联。同一视图下的用户偏好应比不同视图间的更为相似。喜欢视图的用户偏好应与社交视图相似而与不喜欢视图相异。为此，我们提出一种新颖模型，即多视图超图对比策略学习（MHCPL）。具体而言，MHCPL 依据交互历史及时选取有用的社交信息，并构建具有来自不同视图的三类多重关系的动态超图。各视图中的多重关系按其生成顺序依次连接。
引用
@article{arxiv.2307.14024,
title = {Multi-view Hypergraph Contrastive Policy Learning for Conversational Recommendation},
author = {Sen Zhao and Wei Wei and Xian-Ling Mao and Shuai Zhu and Minghui Yang and Zujie Wen and Dangyang Chen and Feida Zhu},
journal= {arXiv preprint arXiv:2307.14024},
year = {2023}
}