基于多选题的会话推荐策略学习( Multi-Choice Questions based Multi-Interest Policy Learning for Conversational Recommendation )

Zhang, Yiming Wu, Lingfei Shen, Qi Pang, Yitong Wei, Zhihua Xu, Fangli Long, Bo Pei, Jian Computer Science - Information Retrieval

会话推荐系统(CRS)能够基于交互式对话获取细粒度的动态用户偏好。以前的CRS假设用户有一个明确的目标项。然而，对于许多使用CRS的用户来说，他们可能并不清楚自己真正喜欢什么。具体来说，用户可能对物品的某些属性类型（例如颜色）有明确的单一偏好，而对于其他属性类型，用户可能有多个偏好，甚至没有明确的偏好，这就导致了一个属性类型的多个可接受的属性实例（例如黑色和红色）。因此，用户可以在多个属性实例的组合下显示他们对项目的偏好，而不是在所有属性实例的唯一组合下显示单个项目。因此，我们首先提出了一个更现实的CRS学习设置，即多兴趣多轮会话推荐，用户可能对属性实例组合有多个兴趣，并接受属性实例组合部分重叠的多个项目。为了有效地应对CRS新的学习环境，本文提出了一种新的学习框架，即基于多选择题的多兴趣策略学习。为了更有效地获取用户偏好，该代理在特定属性实例上生成多个选择问题，而不是二进制YES/NO ONE。此外，为了克服会话过程中对项目的过度过滤，我们提出了一种联合集策略来选择候选项目，而不是现有的交集策略。最后，我们设计了一个多兴趣策略学习模块，利用捕获到的用户的多个兴趣来决定下一步的行动，无论是询问属性实例还是推荐项目。在四个数据集上的大量实验结果验证了我们的方法对于所提出的设置的优越性。

SciDown文献求助系统（解决99%问题） Public Download arXiv.org ui.adsabs.harvard.edu