[論文レビュー] Towards Knowledge-Based Recommender Dialog System

Qibin Chen, Junyang Lin+5 more|arXiv (Cornell University)|Aug 15, 2019

Recommender Systems and Techniques参考文献 45被引用数 25

ひとこと要約

本稿では、知識グラフと相互知識交換を介して協調フィルタリングと対話生成を統合するエンド・ツー・エンドの知識ベースのレコメンデーション対話システム、KBRDを提案する。対話履歴からのユーザーの好みの信号を活用し、関係性に基づくグラフ畳み込みネットワークを介して知識を伝搬させることで、KBRDはレコメンデーションの正確性と応答の多様性の両方を向上させ、語彙バイアスを用いることで解釈可能性も向上させ、ベースラインを上回る性能を発揮する。

ABSTRACT

In this paper, we propose a novel end-to-end framework called KBRD, which stands for Knowledge-Based Recommender Dialog System. It integrates the recommender system and the dialog generation system. The dialog system can enhance the performance of the recommendation system by introducing knowledge-grounded information about users' preferences, and the recommender system can improve that of the dialog generation system by providing recommendation-aware vocabulary bias. Experimental results demonstrate that our proposed model has significant advantages over the baselines in both the evaluation of dialog generation and recommendation. A series of analyses show that the two systems can bring mutual benefits to each other, and the introduced knowledge contributes to both their performances.

研究の動機と目的

• 従来のレコメンデーションシステムにおける暗黙的フィードバックの限界を克服するため、対話インタラクションからの明示的ユーザー好みを統合すること。
• ユーザーの関心モデリングから得られるレコメンデーションに配慮した語彙バイアスを統合することで、対話生成の質を向上させること。
• 共有知識グラフを介してレコメンデーションシステムと対話システムの間のギャップを埋め、相互にパフォーマンス向上を実現すること。
• 語彙バイアスを用いて説明風の語を生成することで、レコメンデーション意思決定の解釈可能性を高めること。
• 対話から得られる好みの信号を用いて、レコメンデーションにおけるコールドスタート問題を軽減すること。

提案手法

• KBRDは、双方向の知識フローを持つエンド・ツー・エンドフレームワークとして、レコメンデーションシステムと対話生成システムを統合する。
• ユーザーの好みは、対話履歴からのエンティティを含む知識グラフ上で埋め込みを伝搬する関係性に基づくグラフ畳み込みネットワーク（R-GCN）によってモデル化される。
• 知識強化されたユーザー表現は、対話システム向けのレコメンデーションに配慮した語彙バイアスを生成するために使用され、応答生成をユーザーの好みに沿わせる。
• 対話システムは、言及されたアイテムに関する文脈的情報（例：ジャンル、監督、俳優）をレコメンデーションシステムに提供し、明示的なアイテムの言及がなくてもレコメンデーションを可能にする。
• 外部知識は、エンティティ（例：映画、俳優）とそれらの関係をリンクする知識グラフを介して統合され、意味的理解を強化する。
• このフレームワークにより相互最適化が可能となり、対話履歴がレコメンデーションを改善し、レコメンデーションに配慮したバイアスが対話の一貫性と多様性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 対話履歴は、暗黙的フィードバックのみに依存する場合と比較して、より明示的かつ正確なユーザー好みの信号を提供できるか？
• RQ2 レコメンデーションに配慮した語彙バイアスは、生成された対話応答の一貫性と多様性を向上させることができるか？
• RQ3 知識グラフの伝搬は、統合型レコメンデーション・対話システムにおけるユーザー表現学習をどのように向上させるか？
• RQ4 対話とレコメンデーションシステムの統合は、レコメンデーションにおけるコールドスタート問題をどの程度軽減するか？
• RQ5 語彙バイアスは、レコメンデーション意思決定の解釈可能な説明として機能できるか？

主な発見

• KBRDは、対話生成とレコメンデーションの両タスクにおいて、ベースラインモデルを顕著に上回り、相互にパフォーマンス向上を実現している。
• 対話から得られる好みの信号の導入により、ユーザー履歴が疎なコールドスタート状況においても、レコメンデーションのパフォーマンスが向上している。
• レコメンデーションに配慮した語彙バイアスは、より一貫性があり多様性のある対話応答をもたらし、バイアスがかけられた語が言及されたアイテムおよびその属性と密接に一致している。
• 上位のバイアス語（例：'scary'、'creepy'、'Stephen'）は、言及された映画と意味的に関連しており、効果的な好みの伝達が実現している。
• 知識グラフは、ユーザー表現とレコメンデーション推論の両方を強化する構造的・関係的情報を提供することで、両システムの性能を向上させている。
• 語彙バイアスにより、レコメンデーションの明示的で解釈可能な説明が可能となり、モデルの透明性が向上している。