[논문 리뷰] Towards Topic-Guided Conversational Recommender System

Kun Zhou, Yuanhang Zhou외 3명|arXiv (Cornell University)|2020. 10. 08.

Topic Modeling참고 문헌 36인용 수 18

한 줄 요약

이 논문은 실제 영화 리뷰 데이터를 바탕으로 반자동으로 인간 주석을 수행하여, 자연스러운 주제 유도 전환을 통해 일상 대화에서 추천으로 이어지는 대화형 추천 시스템 데이터셋인 TG-ReDial을 소개한다. 저자들은 BERT, SASRec, GPT-2를 사용하여 주제 예측, 아이템 추천, 응답 생성을 종합적으로 예측하는 통합 모델을 제안하였으며, TG-ReDial 벤치마크에서 세 가지 하위 작업 모두에서 최신 기술 수준의 성능을 달성하였다.

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.

연구 동기 및 목표

• 기존 대화형 추천 시스템(CRS) 데이터셋에서 비추천 상황에서 추천로의 자연스러운 주제 유도 전환 부족 문제를 해결하기 위해.
• 주제 진화를 통해 능동적이고 맥락 기반의 추천 흐름을 지원하는 고품질이고 현실적인 CRS 데이터셋을 개발하기 위해.
• 주제 예측, 아이템 추천, 응답 생성을 통합하는 주제 유도 대화형 추천을 위한 통합 프레임워크를 제안하기 위해.
• 대화 기록, 사용자 프로필, 진화하는 주제 스레드를 함께 활용하여 사용자 선호도를 보다 효과적으로 모델링하기 위해.

제안 방법

• TG-ReDial 데이터셋은 실제 영화 리뷰 웹사이트의 사용자 신원을 실제 대화 데이터와 정렬하여 구성되었으며, 현실적인 사용자 프로필과 추천 이유를 보장한다.
• 주제 스레드는 비추천 주제에서 최종 아이템 추천으로 이어지는 자연스러운 의미 전환을 가능하게 하기 위해 명시적으로 설계되었다.
• 제안된 모델은 역사적 발언, 주제, 사용자 프로필을 별도의 BERT 인코더를 사용하여 각 모odal리티에 맞게 처리함으로써 다양한 사용자 선호 신호를 포착한다.
• 아이템 추천 모듈은 순차적 행동 모델링을 위한 SASRec과 대화 기록의 맥락적 이해를 위한 BERT를 조합한다.
• 응답 생성 모듈은 예측된 주제와 아이템을 조건으로 하여 미세조정된 GPT-2를 기반으로 하며, 맥락에 부합하고 설득력 있는 응답을 생성한다.
• 모델은 주제 예측, 아이템 추천, 응답 생성의 세 하위 작업을 다중 작업 학습을 통해 동시에 학습함으로써 전체 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 일상 대화에서 추천으로의 주제 유도 전환이 대화형 추천의 자연스러움과 효과성에 기여하는가?
• RQ2 통합 모델이 대화 환경에서 주제 예측, 아이템 추천, 응답 생성을 동시에 얼마나 잘 수행할 수 있는가?
• RQ3 사용자 프로필, 대화 기록, 진화하는 주제를 통합적으로 고려할 경우, 고립된 신호에 비해 추천 품질이 얼마나 향상되는가?
• RQ4 제안된 모델은 주제 예측, 아이템 추천, 응답 생성 측면에서 강력한 베이스라인과 비교해 어떤가?

주요 결과

• 주제 예측에서 제안된 모델은 역사적 발언, 주제, 사용자 프로필을 별도의 BERT 인코더를 통해 효과적으로 통합함으로써 가장 높은 F1 스코어를 기록하며 모든 베이스라인을 압도한다.
• 아이템 추천에서 모델은 순차적 선호도 모델링(SASRec)과 맥락 기반 대화 이해(BERT)를 조합함으로써 최고의 성능을 달성한다.
• 응답 생성에서 모델은 가장 낮은 퍼플렉서티(7.223)와 가장 높은 인간 평가 점수(유사성 1.520, 정보성 1.640)를 기록하여 GPT-2 및 기타 베이스라인을 크게 앞서나간다.
• 절단 실험 결과, 타겟 주제가 성능에 결정적인 영향을 미치며, BERT 입력에서 주제를 제거하면 모든 지표에서 심각한 성능 저하가 발생한다.
• 반자동 데이터 생성 과정은 완전히 인간 주석 또는 완전히 자동 기반 방법에 비해 더 현실적이고 제어 가능한 인간 주석 대화를 생성한다.