无缝统一属性与物品：面向冷启动用户的交 conversational 推荐
信息检索
2022-10-06 v5 机器学习
社会与信息网络
机器学习
摘要
协同过滤等静态推荐方法存在对冷启动用户进行实时个性化的固有局限。在线推荐（例如多臂老虎机方法）通过在线交互式探索用户偏好并追求探索-利用（EE）权衡来解决这一局限。然而，现有基于老虎机的方法对推荐动作进行同质化建模。具体而言，它们仅将物品视为臂，无法处理物品属性——而属性天然提供用户当前需求的可解释信息，并能有效过滤掉不想要的物品。在本工作中，我们考虑面向冷启动用户的交互式推荐，其中系统可同时向用户询问属性并为其推荐物品。这一重要场景已在近期工作中被研究。但该工作采用手工函数来决策何时询问属性或做出推荐。这种对属性与物品的分离建模使得系统有效性高度依赖于手工函数的选择，从而给系统带来脆弱性。为克服该局限，我们将属性与物品无缝统一于同一臂空间中，并利用 Thompson Sampling 框架自动实现其 EE 权衡。我们的 Conversational Thompson Sampling（ConTS）模型通过选择奖励最大的臂来执行，整体求解交互式推荐中的所有问题。在三个基准数据集上的大量实验表明，ConTS 在成功率和平均对话轮数两项指标上均优于最先进的 Conversational UCB（ConUCB）方法与 Estimation-Action-Reflection 模型。
引用
@article{arxiv.2005.12979,
title = {Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users},
author = {Shijun Li and Wenqiang Lei and Qingyun Wu and Xiangnan He and Peng Jiang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2005.12979},
year = {2022}
}
备注
TOIS 2021