[論文レビュー] Towards Topic-Guided Conversational Recommender System

Kun Zhou, Yuanhang Zhou+3 more|arXiv (Cornell University)|Oct 8, 2020

Topic Modeling参考文献 36被引用数 18

ひとこと要約

本稿では、実際の映画レビューのデータをもとに部分的に自動化された人間によるアノテーションを用いて作成された、会話から雑談から推薦へ自然に移行するトピック誘導型の対話型レコメンデーションデータセット、TG-ReDialを紹介する。著者らは、BERT、SASRec、GPT-2を用いて、トピック予測、アイテム推薦、応答生成を統合的に予測する統一モデルを提案し、TG-ReDialベンチマークにおいて、3つのサブタスクすべてで最先端の性能を達成した。

ABSTRACT

Conversational recommender systems (CRS) aim to recommend high-quality items to users through interactive conversations. To develop an effective CRS, the support of high-quality datasets is essential. Existing CRS datasets mainly focus on immediate requests from users, while lack proactive guidance to the recommendation scenario. In this paper, we contribute a new CRS dataset named extbf{TG-ReDial} ( extbf{Re}commendation through extbf{T}opic- extbf{G}uided extbf{Dial}og). Our dataset has two major features. First, it incorporates topic threads to enforce natural semantic transitions towards the recommendation scenario. Second, it is created in a semi-automatic way, hence human annotation is more reasonable and controllable. Based on TG-ReDial, we present the task of topic-guided conversational recommendation, and propose an effective approach to this task. Extensive experiments have demonstrated the effectiveness of our approach on three sub-tasks, namely topic prediction, item recommendation and response generation. TG-ReDial is available at https://github.com/RUCAIBox/TG-ReDial.

研究の動機と目的

• 既存の対話型レコメンデーションシステム（CRS）データセットにおいて、非推薦状況から推薦状況への自然なトピック誘導型の移行が不足している問題に対処すること。
• トピックの進化を介して、能動的かつ文脈に根ざした推薦フローをサポートする、高品質で現実的なCRSデータセットの構築。
• トピック予測、アイテム推薦、応答生成を統合的に処理するトピック誘導型の対話型レコメンデーションのための統一フレームワークの提案。
• 対話履歴、ユーザープロフィール、進化するトピックスレッドを同時に統合することで、ユーザープreferencesのモデリングをより効果的に実現すること。

提案手法

• TG-ReDialデータセットは、実際の映画レビューWebサイトのユーザーデータと合成対話文を照合することで構築され、現実的なユーザープロフィールと推薦理由を保証する。
• トピックスレッドは、非推薦トピックから最終的なアイテム推薦へ向かうように明示的に設計されており、自然な意味的移行を可能にする。
• 提案されたモデルは、歴史的発話、トピック、ユーザープロフィールをそれぞれ別々のBERTエンコーダーで符号化することで、多様なユーザープreferencesシグナルを捉える。
• アイテム推薦モジュールは、順序付き行動モデリング（SASRec）と対話履歴の文脈的理解（BERT）を組み合わせることで構成される。
• 応答生成モジュールは、予測されたトピックとアイテムを条件として微調整されたGPT-2に基づき、文脈的に適切で説得力のある応答を生成する。
• モデルは、マルチタスク学習を用いて、トピック予測、アイテム推薦、応答生成の3つのサブタスクを同時に学習することで、全体的な性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 雑談から推薦へのトピック誘導型の移行は、対話型レコメンデーションの自然さと有効性を向上させるか？
• RQ2 統一モデルは、対話状況において、トピック予測、アイテム推薦、応答生成を同時に効果的に実行できるか？
• RQ3 ユーザープロフィール、対話履歴、進化するトピックを統合することで、個別の信号に比べて推薦品質がどの程度向上するか？
• RQ4 提案されたモデルは、強力なベースラインと比較して、トピック予測、アイテム推薦、応答生成の各分野でどの程度優れているか？

主な発見

• トピック予測において、モデルはすべてのベースラインを上回り、歴史的発話、トピック、ユーザープロフィールを別々のBERTエンコーダーで効果的に統合することで、最高のF1スコアを達成した。
• アイテム推薦において、モデルは順序付き好みモデリング（SASRec）と文脈的理解（BERT）を組み合わせることで、最高の性能を達成した。
• 応答生成において、モデルは最小のパープレクサリティ（7.223）と最高の人的評価スコア（関連性1.520、情報量1.640）を達成し、GPT-2や他のベースラインを顕著に上回った。
• アブレーションスタディの結果、ターゲットトピックは性能にとって重要な入力であることが確認され、BERTの入力から削除すると、すべての指標が著しく低下した。
• 部分的に自動化されたデータ作成プロセスにより、完全に人間によるアノテーションや完全に自動化された方法に比べ、より現実的で制御可能な人間アノテート対話文が得られた。