推荐与否：基于预训练语言模型的对话中可推荐性识别
信息检索
2024-04-09 v2
摘要
当前大多数推荐系统主要关注推荐什么，假设用户总是需要个性化推荐。然而，随着 ChatGPT 和其他聊天机器人的广泛普及，在会话系统背景下，一个更关键的问题是在我们为用户提供推荐服务时如何最大限度地减少对用户的干扰。虽然以前的研究广泛探讨了对话系统中的不同用户意图，但很少有研究关注是否应该提供推荐。在本文中，我们正式定义了可推荐性识别问题，旨在确定在特定场景下是否需要推荐。首先，我们提出并定义了可推荐性识别任务，该任务调查当前对话上下文中对推荐的需求。我们构建了一个新数据集。随后，我们讨论并评估了利用预训练语言模型进行可推荐性识别的可行性。最后，通过对比实验，我们证明直接采用零样本的 PLMs 无法满足任务要求。此外，微调或利用软提示技术产生了与传统分类方法相当的结果。我们的工作是首个在推荐之前研究可推荐性的研究，并提供了使其成为未来推荐系统基础组件的初步方法。
引用
@article{arxiv.2403.18628,
title = {To Recommend or Not: Recommendability Identification in Conversations with Pre-trained Language Models},
author = {Zhefan Wang and Weizhi Ma and Min Zhang},
journal= {arXiv preprint arXiv:2403.18628},
year = {2024}
}