[論文レビュー] The Technological Gap Between Virtual Assistants and Recommendation Systems

Dimitrios Rafailidis, Yannis Manolopoulos|arXiv (Cornell University)|Dec 21, 2018

Recommender Systems and Techniques参考文献 58被引用数 9

ひとこと要約

本論文は、バーチャルアシスタントとレコメンデーションシステムの間の技術的格差を特定し、対話による相互作用を通じて進化する多様な側面のユーザーの好みをモデル化する統合型の会話フレームワークを提案する。対話管理、パーソナライズされた好みのモデル化、リアルタイム評価指標を統合することで、より適応的で協働的かつユーザー中心のレコメンデーションシステムが実現され、自然な会話によってユーザーの負担を軽減し、満足度を向上させる。

ABSTRACT

Virtual assistants, also known as intelligent conversational systems such as Google's Virtual Assistant and Apple's Siri, interact with human-like responses to users' queries and finish specific tasks. Meanwhile, existing recommendation technologies model users' evolving, diverse and multi-aspect preferences to generate recommendations in various domains/applications, aiming to improve the citizens' daily life by making suggestions. The repertoire of actions is no longer limited to the one-shot presentation of recommendation lists, which can be insufficient when the goal is to offer decision support for the user, by quickly adapting to his/her preferences through conversations. Such an interactive mechanism is currently missing from recommendation systems. This article sheds light on the gap between virtual assistants and recommendation systems in terms of different technological aspects. In particular, we try to answer the most fundamental research question, which are the missing technological factors to implement a personalized intelligent conversational agent for producing accurate recommendations while taking into account how users behave under different conditions. The goal is, instead of adapting humans to machines, to actually provide users with better recommendation services so that machines will be adapted to humans in daily life.

研究の動機と目的

• バーチャルアシスタントとレコメンデーションシステムの間のユーザー好みのモデル化における技術的格差を特定・分析すること。
• 対話によって進化する多様で多面的なユーザー好みを動的に捉える統合型の会話型レコメンデーションシステムを開発すること。
• 会話の流れを最適化し、正確なレコメンデーションを生成するために必要な質問の数を減らすことで、ユーザーの負担を最小限に抑えること。
• 滞在時間、順位付け性能、意味的整合性などのリアルタイム指標を用いて、会話型レコメンデーションシステムを評価すること。
• 対話的で人間らしい会話システムを通じて、説明可能な協働型レコメンデーションを可能にすること。

提案手法

• ユーザーの応答と満足度に基づいて、複数回の対話にわたる対話を導く適応的対話ポリシーを用いた会話マネージャーの設計。
• 協調フィルタリング、コンテンツベース、ハイブリッドレコメンデーションモデルを会話インターフェースと統合し、動的ユーザー好みをモデル化すること。
• Word2Vecと埋め込み類似度測定を用いて、ユーザー・システム対話における意味的整合性を評価し、トピックのずれを検出すること。
• 協調トピックモデリングを適用して、会話的やり取りから潜在的なユーザー関心を推定すること。
• A/Bテストを用いて、異なる会話ポリシーを比較し、ユーザー参加度とレコメンデーション精度を最適化すること。
• Normalized Discounted Cumulative Gain (NDCG)、Precision、Recall、滞在時間などを含むリアルタイム評価指標を実装し、システム性能を評価すること。

実験結果

リサーチクエスチョン

• RQ1 会話型レコメンデーションシステム内での機械学習モデルにおいて、どのようにしてユーザー好みを効果的にモデル化できるか？
• RQ2 統合型機械学習モデルを用いたクロスドメインレコメンデーションにおける最適な接続点は何か？
• RQ3 会話型システムは、自然な会話によってどの程度まで説明可能なレコメンデーションを提供できるか？
• RQ4 どのリアルタイムパフォーマンス指標が会話型レコメンデーションの質を最もよく反映しているか？
• RQ5 どのようないnteraction戦略を最適化すれば、ユーザーの負担を最小限に抑えながらレコメンデーション精度を最大化できるか？

主な発見

• 会話型対話とレコメンデーションシステムの統合により、対話による相互作用を通じて進化する多様な側面のユーザー好みを捉えることで、より正確でパーソナライズされた提案が可能になる。
• 知的な会話ポリシーによる質問数の削減は、会話の長さが短くなり、推奨アイテムへの滞在時間が長くなることで測定されたように、ユーザーの負担を著しく軽減し、満足度を向上させる。
• Word2Vec埋め込み類似度による測定で得られる会話の意味的整合性は、会話の質とシステムの理解度を示す信頼できる指標である。
• 会話ポリシーのA/Bテストの結果、静的またはワンショットクエリアプローチに比べ、適応的で文脈に即した質問戦略が、レコメンデーション精度とユーザー参加度の両面で優れていることが示された。
• NDCG、Precision、Recall、滞在時間などのリアルタイム指標は、会話型レコメンデーションシステムの包括的評価フレームワークを提供する。
• 本論文は、現在のレコメンデーションシステムが会話的知能を欠いており、バーチャルアシスタントとレコメンデーションシステムの間の格差を埋めるために統合型フレームワークが不可欠であると確立した。