[論文レビュー] COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce

Zuohui Fu, Yikun Xian+3 more|arXiv (Cornell University)|Aug 21, 2020

Topic Modeling参考文献 23被引用数 9

ひとこと要約

この論文では、ユーザー行動、製品属性、知識グラフ（KG）を統合することで、個別化され、説明可能な推薦を可能にする、eコマースにおける会話型推薦のための新規データセット「Cookie」を紹介する。Amazonのレビューから抽出した統一されたKGを基盤として、人間らしい粗い段階から細かい段階への対話的相互作用をシミュレートすることで、次に質問するべき内容の予測および推薦タスクをサポートする。KBRDおよびOpenDialKGは、主な指標において最先端の性能を達成している。

ABSTRACT

In this work, we present a new dataset for conversational recommendation over knowledge graphs in e-commerce platforms called COOKIE. The dataset is constructed from an Amazon review corpus by integrating both user-agent dialogue and custom knowledge graphs for recommendation. Specifically, we first construct a unified knowledge graph and extract key entities between user--product pairs, which serve as the skeleton of a conversation. Then we simulate conversations mirroring the human coarse-to-fine process of choosing preferred items. The proposed baselines and experiments demonstrate that our dataset is able to provide innovative opportunities for conversational recommendation.

研究の動機と目的

• eコマース分野における現実的で知識に基づいた会話型推薦データセットの不足を解消し、新たなベンチマークを構築すること。
• Amazonレビューから抽出した統一された知識グラフを用いて、人間らしい粗い段階から細かい段階への意思決定を模倣したユーザー・エージェント間の対話のシミュレーションを行うこと。
• 知識グラフ構造内でのユーザーの好みと履歴的相互作用をモデル化することで、個別化された推薦を実現すること。
• 根拠に基づいた説明可能な推論を支援する形で、次に質問するべき内容の予測およびアイテム推薦タスクを両方サポートすること。
• 研究の促進を目的として、公開可能なデータセットとベースラインモデルを提供すること。

提案手法

• ユーザー、製品、および主要なエンティティ（例：ブランド、カテゴリ、特徴）を共同購入および共起関係を通じて結びつけることで、Amazonレビューのデータから統一された知識グラフを構築する。
• ユーザーと製品のペアから主要なエンティティを抽出し、会話の流れの骨格とすることで、ユーザーの関心の粗い段階から細かい段階への進行を可能にする。
• ユーザーが広い質問（例：「私はスマホがいります」）から始め、エンティティ固有の質問を通じて段階的に絞り込む自然な複数ターン対話をシミュレートする。
• エンティティには事前学習済みのTransE埋め込み、発話にはword2vecを用い、対話およびKGのコンponentsを共通の埋め込み空間に表現する。
• 既存のモデル（BPR、KGAT、OpenDialKG、KBRD、DMN、DAM、MSN）を、このデータセット上で推薦および次に質問するべき内容の予測タスクに適応する。
• 次に質問するべき内容の予測および推薦タスクにおいて、100個のネガティブな候補アイテムを用いてF1@10およびRecall@2の指標でモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 eコマースのレビュー・データから、会話型推薦を支援する有効な知識グラフをどのように構築できるか？
• RQ2 統一されたKG上でシミュレートされた人間らしい対話は、会話型推薦システムの現実性と性能をどの程度向上できるか？
• RQ3 どのモデルアーキテクチャが知識グラフ構造を最も効果的に活用して、次に質問するべき内容の予測および個別化された推薦を実現できるか？
• RQ4 会話型推薦において、生成ベースのアプローチと比較して、検索ベースの手法が文の自然さと正確性の面で優れていると予想されるか？
• RQ5 知識グラフにユーザーの履歴と好みを統合することで、推薦の説明可能性と個別化の質がどの程度向上するか？

主な発見

• KBRDは自動車カテゴリで次に質問するべき内容の予測においてF1@10スコアが0.666を記録し、他のベースラインを上回った。
• OpenDialKGは自動車カテゴリでRecall@2スコアが0.713を記録し、正しい次の質問を効果的に検索していることを示した。
• KGATは全カテゴリでBPRを上回り、F1@10スコアは0.593から0.637の範囲で変動し、知識グラフ推論の利点を示した。
• KBRDモデルは自動車カテゴリで推薦タスクにおけるF1@10スコアが0.666を記錣し、個別化された推薦の有効性を示した。
• OpenDialKGおよびKBRDは、全カテゴリにおいて次に質問するべき内容の予測および推薦タスクの両方で優れた性能を示し、KG構造を効果的に活用していることがわかった。
• このデータセットにより、検索ベースの手法が生成ベースの代替手法よりもより自然で情報豊富な応答を生成でき、指標スコアの上昇によってそれが裏付けられた。