[논문 리뷰] COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce

Zuohui Fu, Yikun Xian외 3명|arXiv (Cornell University)|2020. 08. 21.

Topic Modeling참고 문헌 23인용 수 9

한 줄 요약

이 논문은 전자상거래에서 대화형 추천을 위한 새로운 데이터셋인 Cookie를 소개한다. 이 데이터셋은 사용자 행동, 제품 특성, 지식 그래프(KG)를 통합하여 개인화되고 설명 가능한 추천을 가능하게 한다. 아마존 리뷰에서 유도된 통합 지식 그래프를 기반으로 인간과 유사한 굵기에서 세밀한 대화 상호작용을 시뮬레이션함으로써, 다음 질문 예측 및 추천 작업을 지원하며, KBRD와 OpenDialKG가 주요 지표에서 최고 성능을 기록한다.

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.

연구 동기 및 목표

• 전자상거래 분야에서 현실적이고 지식 기반인 대화형 추천 데이터셋의 부족을 해결하기 위해 새로운 벤치마크를 구축한다.
• 아마존 리뷰에서 유도된 통합 지식 그래프를 활용해 인간과 유사한 굵기에서 세밀한 의사결정 과정을 시뮬레이션한다.
• 지식 그래프 구조 내에서 사용자 선호도와 이전 상호작용을 모델링하여 개인화된 추천을 가능하게 한다.
• 지식 기반의 설명 가능하고 타당한 추론을 지원하는 다음 질문 예측 및 항목 추천 작업을 모두 지원한다.
• 연구를 가속화하기 위해 공개된 데이터셋과 베이스라인 모델을 제공한다.

제안 방법

• 사용자, 제품, 핵심 엔티티(예: 브랜드, 카테고리, 기능 등)를 공동 구매 및 공동 언급 관계를 통해 연결하는 아마존 리뷰 데이터로부터 통합 지식 그래프를 구축한다.
• 사용자-제품 쌍에서 핵심 엔티티를 추출하여 대화 흐름의 기반을 마련하고, 사용자 관심의 굵기에서 세밀한 진행 방식을 가능하게 한다.
• 사용자가 넓은 질문(예: '내가 핸드폰이 필요해')으로 시작하여 엔티티 기반 질문을 통해 점차 좁혀지는 자연스러운 다단계 대화를 시뮬레이션한다.
• 엔티티에 대해 미리 학습된 TransE 임베딩과 발화에 대해 word2vec을 사용하여 대화 및 지식 그래프 구성 요소를 동일한 임베딩 공간에 표현한다.
• 기존 모델(BPR, KGAT, OpenDialKG, KBRD, DMN, DAM, MSN)을 데이터셋에서 추천 및 다음 질문 예측 작업에 적응시킨다.
• 다음 질문 예측 및 추천 작업에 대해 100개의 음성 후보 항목을 기반으로 F1@10 및 Recall@2 지표를 사용해 모델을 평가한다.

실험 결과

연구 질문

• RQ1 어떻게 전자상거래 리뷰 데이터로부터 대화형 추천을 지원할 수 있는 효과적인 지식 그래프를 구축할 수 있는가?
• RQ2 통합 지식 그래프를 기반으로 시뮬레이션된 인간과 유사한 대화가 대화형 추천 시스템의 현실성과 성능에 어느 정도 기여하는가?
• RQ3 어떤 모델 아키텍처가 지식 그래프의 구조를 가장 효과적으로 활용하여 다음 질문 예측 및 개인화된 추천을 수행하는가?
• RQ4 대화형 추천에서 추론 기반 방법이 생성 기반 접근 방식보다 어휘적 유창성과 정확도 측면에서 뛰어나게 성능을 내는가?
• RQ5 지식 그래프에 사용자 이력과 선호도를 통합함으로써 추천의 설명 가능성과 개인화 수준은 어떻게 향상되는가?

주요 결과

• KBRD는 자동차 카테고리에서 다음 질문 예측 작업에서 F1@10 점수가 0.666으로 가장 높게 기록되어 다른 베이스라인을 압도했다.
• OpenDialKG는 자동차 카테고리에서 Recall@2 점수가 0.713으로 가장 높아 정확한 다음 질문을 검색하는 데 뛰어난 성능을 보였다.
• KGAT는 모든 카테고리에서 BPR을 초월했으며, F1@10 점수 범위가 0.593에서 0.637로 다양하게 나타나 지식 그래프 추론의 이점을 입증했다.
• KBRD 모델은 자동차 카테고리에서 추천 작업에서 F1@10 점수가 0.666으로 가장 높게 기록되어 개인화된 추천에 효과적임을 보였다.
• OpenDialKG와 KBRD는 모든 카테고리에서 다음 질문 예측 및 추천 작업 전반에 걸쳐 뛰어난 성능을 보이며 지식 그래프 구조를 효과적으로 활용함을 입증했다.
• 이 데이터셋은 추론 기반 방법이 생성 기반 대안보다 더 자연스럽고 정보가 풍부한 응답을 생성할 수 있음을 입증하며, 높은 지표 점수로 이를 뒷받침한다.