基于多方面用户建模的以用户为中心的对话推荐
信息检索
2022-04-26 v2 人工智能
摘要
对话推荐系统(CRS)旨在对话中提供高质量推荐。然而，大多数传统CRS模型主要关注当前会话的对话理解，忽略了推荐中核心主体（即用户）其他丰富的多方面信息。本工作中，我们强调除当前对话会话外，用户的历史对话会话和相似用户是用户偏好的重要来源。为系统建模多方面信息，我们提出了一种以用户为中心的对话推荐(UCCR)模型，回归到CRS任务中用户偏好学习的本质。具体而言，我们提出历史会话学习器，从知识、语义和消费视图捕获用户的多视图偏好，作为当前偏好信号的补充。通过自监督目标，进行多视图偏好映射器以学习当前与历史会话中不同视图间的内在关联。我们还设计了时间相似用户选择器，通过其相似用户理解用户。学到的多方面多视图用户偏好随后用于推荐与对话生成。实验中，我们在中英文CRS数据集上进行了综合评估。在推荐和对话生成上相对竞争模型的显著提升验证了UCCR的优越性。
引用
@article{arxiv.2204.09263,
title = {User-Centric Conversational Recommendation with Multi-Aspect User Modeling},
author = {Shuokai Li and Ruobing Xie and Yongchun Zhu and Xiang Ao and Fuzhen Zhuang and Qing He},
journal= {arXiv preprint arXiv:2204.09263},
year = {2022}
}
备注
Accepted by SIGIR 2022