迈向共情对话推荐系统

对话推荐系统（CRS）能够通过多轮对话引导用户偏好。它们通常结合外部知识和预训练语言模型来捕捉对话上下文。大多数在基准数据集上训练的 CRS 方法假设这些基准中的标准物品和回复是最优的。然而，他们忽略了用户可能会对标准物品表达负面情绪，并且可能对标准回复感觉不到情感上的共鸣。这个问题导致了一种倾向，即复制数据集中推荐器的逻辑，而不是与用户需求对齐。为了弥补这种不对齐，我们在 CRS 中引入了共情。所谓共情，是指系统捕捉和表达情绪的能力。我们提出了一种共情对话推荐（ECR）框架。ECR 包含两个主要模块：情绪感知物品推荐和情绪对齐回复生成。具体而言，我们利用用户情绪来细化用户偏好建模，以实现准确的推荐。为了生成类人的情感回复，ECR 应用检索增强提示来微调预训练语言模型，使其与情绪对齐并缓解幻觉。为了解决监督标签不足的挑战，我们使用大型语言模型标注的情绪标签和从外部资源收集的情感评论来扩充我们的共情数据。我们提出了新颖的评估指标，以捕捉真实世界 CRS 场景中的用户满意度。我们在 ReDial 数据集上的实验验证了我们的框架在提高推荐准确性和提升用户满意度方面的有效性。