[논문 리뷰] Towards Knowledge-Based Recommender Dialog System

Qibin Chen, Junyang Lin외 5명|arXiv (Cornell University)|2019. 08. 15.

Recommender Systems and Techniques참고 문헌 45인용 수 25

한 줄 요약

이 논문은 지식 그래프와 상호 지식 교환을 통해 협업 필터링과 대화 생성을 통합하는 엔드 투 엔드 지식 기반 추천 대화 시스템인 KBRD를 제안한다. 대화 기록에서 유저 선호 신호를 활용하고 관계형 그래프 컨volution 네트워크를 통해 지식을 전파함으로써 KBRD는 추천 정확도와 응답 다양성을 향상시키며, 어휘 편향을 통해 해석 가능성까지 향상시켜 기준 모델들을 능가한다.

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.

연구 동기 및 목표

• 기존 추천 시스템에서 암시적 피드백의 한계를 보완하기 위해 대화 상호작용에서 유추한 명시적 사용자 선호도를 통합하고자 한다.
• 사용자 관심 모델링에서 유도된 추천 인지 어휘 편향을 통합함으로써 대화 생성 품질을 향상시키고자 한다.
• 공유 지식 그래프를 통해 추천 시스템과 대화 시스템 간 격차를 해소하고 상호 성능 향상을 가능하게 하고자 한다.
• 어휘 편향을 통해 설명 유사어를 생성함으로써 추천 결정의 해석 가능성을 향상시키고자 한다.
• 대화에서 유도된 선호 신호를 활용하여 추천의 콜드 스타트 문제를 완화하고자 한다.

제안 방법

• KBRD는 이중 방향 지식 흐름을 갖는 단일 엔드 투 엔드 프레임워크 내에서 추천 시스템과 대화 생성 시스템을 통합한다.
• 사용자 선호도는 대화 기록에서 추출된 엔티티를 포함하는 지식 그래프를 기반으로 임베딩을 전파하는 관계형 그래프 컨볼루션 네트워크(R-GCN)를 통해 모델링된다.
• 지식 강화된 사용자 표현은 대화 시스템의 추천 인지 어휘 편향을 생성하는 데 사용되며, 이는 응답 생성을 사용자 선호도 쪽으로 이끈다.
• 대화 시스템은 언급된 항목에 대한 맥락 정보(예: 장르, 감독, 배우)를 추천 시스템에 제공함으로써, 명시적 항목 언급이 없더라도 추천이 가능하게 한다.
• 외부 지식은 엔티티(예: 영화, 배우)와 그 관계를 연결하는 지식 그래프를 통해 통합되며, 이는 의미적 이해를 강화한다.
• 이 프레임워크는 상호 최적화를 가능하게 하며, 대화 기록은 추천 성능을 향상시키고, 추천 인지 편향은 대화 일관성과 다양성을 향상시킨다.

실험 결과

연구 질문

• RQ1 암시적 피드백만으로는 부족한 사용자 선호 신호에 비해, 대화 기록이 더 명시적이고 정확한 사용자 선호 정보를 제공할 수 있는가?
• RQ2 추천 인지 어휘 편향이 생성된 대화 응답의 일관성과 다양성을 향상시킬 수 있는가?
• RQ3 지식 그래프 전파가 공동 추천-대화 시스템에서 사용자 표현 학습을 어떻게 향상시키는가?
• RQ4 대화 및 추천 시스템의 통합이 추천의 콜드 스타트 문제를 어느 정도 완화하는가?
• RQ5 어휘 편향이 추천 결정에 대한 해석 가능한 설명으로 기능할 수 있는가?

주요 결과

• KBRD는 대화 생성 및 추천 작업 모두에서 기준 모델들을 뛰어넘는 성능을 보이며, 상호 성능 향상을 입증한다.
• 대화에서 유도된 선호 정보의 도입은 사용자 기록이 희박한 콜드 스타트 시나리오에서 특히 추천 성능 향상에 기여한다.
• 추천 인지 어휘 편향은 더 일관성 있고 다양한 대화 응답을 생성하며, 편향된 단어들이 언급된 항목과 그 속성과 밀접하게 관련되어 있음을 보여준다.
• 상위 어휘 편향어들(예: 'scary', 'creepy', 'Stephen')은 언급된 영화와 의미적으로 관련되어 있어 효과적인 선호도 전이가 이루어졌음을 시사한다.
• 지식 그래프는 사용자 표현 강화와 추천 추론을 강화함으로써 두 시스템 모두에 기여한다.
• 어휘 편향은 추천 결정에 대해 명시적이고 해석 가능한 설명을 제공함으로써 모델의 투명성을 향상시킨다.