[論文レビュー] Bridging the Gap between Conversational Reasoning and Interactive Recommendation.

Wenchang Ma, Ryuichi Takanobu+2 more|arXiv (Cornell University)|Oct 20, 2020

Topic Modeling参考文献 42被引用数 12

ひとこと要約

本稿では、階層的対話行動をマルチホップ知識グラフ推論にマッピングすることにより、会話的推論とインタラクティブ推薦を統合するCR-Walkerという包括的フレームワークを提案する。知識グラフウォークを用いて対話生成をガイドし、推薦の説明可能性を向上させることで、会話の情報性と推薦の有効性の両方が向上し、対話と推薦システムの間で相互強化が実現される。

ABSTRACT

There have been growing interests in building a conversational recommender system, where the system simultaneously interacts with the user and explores the user's preference throughout conversational interactions. Recommendation and conversation were usually treated as two separate modules with limited information exchange in existing works, which hinders the capability of both systems: (1) dialog merely incorporated recommendation entities without being guided by an explicit recommendation-oriented policy; (2) recommendation utilized dialog only as a form of interaction instead of improving recommendation effectively. To address the above issues, we propose a novel recommender dialog model: CR-Walker. In order to view the two separate systems within a unified framework, we seek high-level mapping between hierarchical dialog acts and multi-hop knowledge graph reasoning. The model walks on a large-scale knowledge graph to form a reasoning tree at each turn, then mapped to dialog acts to guide response generation. With such a mapping mechanism as a bridge between recommendation and conversation, our framework maximizes the mutual benefit between two systems: dialog as an enhancement to recommendation quality and explainability, recommendation as a goal and enrichment to dialog semantics. Quantitative evaluation shows that our model excels in conversation informativeness and recommendation effectiveness, at the same time explainable on the policy level.

研究の動機と目的

• 既存の手法における会話システムと推薦モジュール間の情報交換が限定的であるという問題に対処すること。
• 対話生成と推薦を相互フィードバックによって両システムを強化する単一のフレームワークに統合すること。
• 構造化された知識グラフ推論に根ざしたポリシーにより、推薦の説明可能性を向上させること。
• 知識グラフから導出される推薦指向の推論経路によって対話行動をガイドできること。
• インタラクティブな対話が単なるユーザー相互作用をはるかに超えて推薦品質を向上させられることを実証すること。

提案手法

• CR-Walkerは、各対話ターンにおいて大規模知識グラフ上でマルチホップウォークを実行することで推論ツリーを構築する。
• 得られた推論経路を階層的対話行動にマッピングし、応答生成をガイドする。
• 対話行動と知識グラフ推論の間に高レベルのマッピング機構を確立し、会話と推薦の間のブリッジとして機能させる。
• 推薦の目的をポリシー信号として用いて対話生成をガイドし、関連性と説明可能性を向上させる。
• 対話の整合性、推薦の正確性、ポリシーの解釈可能性を同時に最適化する。
• 知識グラフ埋め込みを用いて推論を支援し、対話と推薦コンポonents間での意味的整合性を保証する。

実験結果

リサーチクエスチョン

• RQ1 会話的推論とインタラクティブ推薦をどのように単一のフレームワーク内で効果的に統合できるか？
• RQ2 知識グラフ推論は、対話生成と推薦パフォーマンスをどの程度向上させられるか？
• RQ3 対話行動をマルチホップ推論経路に体系的にマッピングできるか？これによりポリシー制御が向上するか？
• RQ4 推薦の目的の統合が、対話品質と説明可能性にどのように寄与するか？
• RQ5 提案されたブリッジ機構が、推薦の正確性と会話の情報性の両方に対してどのような影響を及ぼすか？

主な発見

• 自動評価および人的評価指標による測定において、CR-Walkerはベースラインモデルに比べて会話の情報性において優れたパフォーマンスを達成した。
• モデルは標準的な推薦ベンチマークにおいて、既存の手法を上回る推薦有効性を著しく向上させた。
• 対話行動を追跡可能な知識グラフ推論経路に根ざさせることで、説明可能な推薦ポリシーを実現した。
• 対話と推薦の相互強化が実証的に検証され、対話品質が向上することで推薦が改善され、逆に推薦の質の向上が対話品質を高めた。
• 対話行動と知識グラフ推論のマッピングにより、より整合的で目的指向の会話が可能になった。
• 定量的評価により、提案されたフレームワークが会話的推論とインタラクティブ推薦の相互利益を最大化していることが確認された。