[논문 리뷰] RevCore: Review-augmented Conversational Recommendation

Lu Yu, Junwei Bao외 5명|arXiv (Cornell University)|2021. 06. 02.

Topic Modeling참고 문헌 49인용 수 6

한 줄 요약

이 논문은 감성 일致성 있는 사용자 리뷰를 통합하여 항목 추천 및 대화 응답 생성을 향상시키는 엔드 투 엔드 대화형 추천 프레임워크인 RevCore를 제안한다. 사용자 감성과 일치하는 리뷰를 검색하고, 항목 표현을 풍부하게 하며, 리뷰에 주의를 기울이는 디코더를 사용함으로써, 기준 데이터셋에서 추천 정확도와 응답 품질 측면에서 뛰어난 성능을 달성한다.

ABSTRACT

Existing conversational recommendation (CR) systems usually suffer from insufficient item information when conducted on short dialogue history and unfamiliar items. Incorporating external information (e.g., reviews) is a potential solution to alleviate this problem. Given that reviews often provide a rich and detailed user experience on different interests, they are potential ideal resources for providing high-quality recommendations within an informative conversation. In this paper, we design a novel end-to-end framework, namely, Review-augmented Conversational Recommender (RevCore), where reviews are seamlessly incorporated to enrich item information and assist in generating both coherent and informative responses. In detail, we extract sentiment-consistent reviews, perform review-enriched and entity-based recommendations for item suggestions, as well as use a review-attentive encoder-decoder for response generation. Experimental results demonstrate the superiority of our approach in yielding better performance on both recommendation and conversation responding.

연구 동기 및 목표

• 짧은 대화에서 정보가 부족한 상황에서 사용자 선호도를 파악하기 어려운 문제를 해결하기 위해, 제한된 맥락 속에서 사용자 선호도를 효과적으로 포착할 수 있도록 한다.
• 기존 지식 그래프 기반 방법의 한계를 극복하기 위해, 고비용 지식 그래프 구축 대신 쉽게 확보할 수 있는 풍부한 텍스트 리뷰를 활용한다.
• 리뷰에서 제공하는 기술적이고 설명적인 내용을 통합하여 응답 생성 품질을 향상시켜 더 정보가 풍부하고 일관성 있는 대화 턴을 생성한다.
• 리뷰 기반 사용자 피드백을 항목 표현과 대화 기록에 융합하여 더 정확하고 개인화된 추천을 가능하게 한다.
• 감성 인식 리뷰 검색이 기준 모델 대비 추천 및 응답 생성 성능을 크게 향상시킨다는 것을 입증한다.

제안 방법

• 사용자 발화와 감성 극성(긍정/부정)을 기반으로 리뷰를 매칭하는 감성 인식 리뷰 검색 모듈을 제안하여 관련성과 일관성을 확보한다.
• 검색된 리뷰를 대화 기록에 통합하여 항목 표현을 풍부하게 하여, 리뷰 기반 임베딩을 통해 사용자 선호도 모델링을 향상시킨다.
• 응답 생성 중 핵심 리뷰 문장을 주의 집중하는 리뷰 주의 디코더 아키텍처를 설계하여 응답의 일관성과 정보성 향상.
• 영화의 배우, 장르 등 실체 기반 표현을 리뷰 임베딩과 함께 사용하여 추천 구성 요소에서 항목 표현 학습을 강화한다.
• 대화 맥락과 리뷰 내용 간의 크로스 어텐션 메커니즘을 적용하여 응답 생성 중 관련 정보를 동적으로 정렬한다.
• 다중 작업 학습을 통해 추천 및 응답 생성 목표를 동시에 최적화하여 R@k 및 응답 유창성(PPL, Dist-n)을 고려한 엔드 투 엔드 프레임워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 감성 일치 리뷰는 짧고 정보가 부족한 대화에서 추천 정확도를 향상시킬 수 있는가?
• RQ2 리뷰 내용을 통합할 경우 대화형 추천에서 생성된 응답의 자연스러움과 정보성은 어떻게 영향을 받는가?
• RQ3 감성 기반 리뷰 검색 전략은 무작위 또는 도메인 기반 검색 전략보다 대화 추천 작업에서 성능이 뛰어나게 되는가?
• RQ4 주제에 관련 없는 리뷰(예: 음식 도메인 리뷰)는 도메인 특화 리뷰 대비 추천 성능을 얼마나 떨어뜨리는가?
• RQ5 공유된 리뷰 기반 지식을 활용하여 통합된 프레임워크가 추천과 대화 생성 간 균형을 효과적으로 유지할 수 있는가?

주요 결과

• RevCore는 기준 데이터셋에서 강력한 기준 모델 대비 R@10 점수를 최대 12.3% 향상시켜 추천 정확도에서 뚜렷한 향상을 보였다.
• 모델은 더 정보가 풍부하고 다양한 응답을 생성하여, 기준 모델 대비 Dist-1 및 Dist-2 점수에서 각각 +8.7% 및 +6.1% 향상되었다.
• 감성 인식 리뷰 검색(C-S-S)은 도움이 되는 정도 기반 검색(C-H-S)보다 성능이 뛰어나, 리뷰 선택에서 감성 일치의 중요성을 입증한다.
• 무작위로 매칭된 리뷰(R-H-W)는 성능을 심각하게 떨어뜨리며, R@k 점수는 15% 이상 감소하고 PPL은 증가하여 관련 없는 리뷰가 추천 및 생성에 악영향을 준다는 것을 시사한다.
• 외부 지식으로 주제에 어울리지 않는 음식 리뷰 코퍼스를 사용할 경우 R@k 점수가 가장 낮게 나타나, 도메인 일치성이 효과적인 리뷰 통합을 위해 필수적임을 확인한다.
• 제거 실험 결과, 리뷰 주의 디코더와 리뷰 기반 항목 표현이 필수 구성 요소임을 입증하였으며, 이를 제거할 경우 성능이 10~14% 감소하였다.