[논문 리뷰] Bridging the Gap between Conversational Reasoning and Interactive Recommendation.

Wenchang Ma, Ryuichi Takanobu외 2명|arXiv (Cornell University)|2020. 10. 20.

Topic Modeling참고 문헌 42인용 수 12

한 줄 요약

이 논문은 계층적 대화 행동을 다중호프 지식 그래프 추론으로 매핑함으로써 대화적 추론과 상호작용 기반 추천을 융합하는 통합 프레임워크인 CR-Walker을 제안한다. 지식 그래프 워크를 활용해 대화 생성을 안내하고 추천의 설명 가능성을 향상시킴으로써, 모델은 대화의 정보성과 추천의 효과성을 모두 향상시키며 대화 시스템과 추천 시스템 간 상호 강화를 달성한다.

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.

연구 동기 및 목표

• 기존 접근 방식에서 대화 시스템과 추천 모듈 간 정보 교환의 한계를 해결하기 위해.
• 대화 생성과 추천을 상호 피드백을 통해 향상시키는 단일 프레임워크로 통합하기 위해.
• 구조화된 지식 그래프 추론에 기반한 대화 정책을 통해 추천의 설명 가능성을 향상시키기 위해.
• 지식 그래프에서 유도된 추천 중심의 추론 경로에 따라 대화 행동을 안내하기 위해.
• 상호작용 기반 대화가 단순한 사용자 상호작용을 초월해 추천 품질을 향상시킬 수 있음을 입증하기 위해.

제안 방법

• 모델은 각 대화 턴에서 대규모 지식 그래프에서 다중호프 워크를 수행하여 추론 트리를 구축한다.
• 결과로 도출된 추론 경로를 대화 행동의 계층적 구조로 매핑하여 응답 생성을 안내한다.
• 대화 행동과 지식 그래프 추론 간의 고수준 매핑 메커니즘을 수립하여 대화와 추천 간 다리를 놓는다.
• 추천 목표를 정책 신호로 활용하여 대화 생성을 안내함으로써 관련성과 설명 가능성을 향상시킨다.
• 대화의 자연스러움, 추천 정확도, 정책의 해석 가능성 등 세 가지를 동시에 최적화한다.
• 지식 그래프 임베딩을 사용하여 추론를 지원하고 대화 및 추천 구성 요소 간 의미 일致성을 확보한다.

실험 결과

연구 질문

• RQ1 어떻게 하나의 프레임워크 내에서 대화적 추론과 상호작용 기반 추천을 효과적으로 통합할 수 있는가?
• RQ2 지식 그래프 추론은 대화 생성 및 추천 성능 향상에 어느 정도 기여하는가?
• RQ3 대화 행동을 다중호프 추론 경로에 체계적으로 매핑할 수 있는가, 이를 통해 정책 제어를 향상시킬 수 있는가?
• RQ4 추천 목표의 통합이 대화 품질과 설명 가능성에 어떤 영향을 미치는가?
• RQ5 제안된 브리지 메커니즘이 추천 정확도와 대화의 정보성에 미치는 영향은 어떠한가?

주요 결과

• 자동 평가 및 인간 평가 지표를 통해 측정된 결과, CR-Walker는 베이스라인 모델 대비 대화의 정보성에서 뛰어난 성능을 기록한다.
• 모델은 기존 방법에 비해 표준 추천 벤치마크에서 추천 효과성을 크게 향상시켰다.
• 지식 그래프 추론 경로를 추적 가능한 방식으로 기반으로 하여 설명 가능한 추천 정책을 가능하게 했다.
• 대화와 추천 간 상호 강화가 실증적으로 검증되었으며, 대화 품질 향상이 추천 성능 향상으로 이어지고, 그 반대도 마찬가지로 성립한다.
• 대화 행동과 지식 그래프 추론 간의 매핑을 통해 더 일관되고 목표 지향적인 대화가 가능해졌다.
• 정량적 평가를 통해 제안된 프레임워크가 대화적 추론과 상호작용 기반 추천 간 상호 이득을 극대화함을 확인했다.