[论文解读] Bridging the Gap between Conversational Reasoning and Interactive Recommendation.

Wenchang Ma, Ryuichi Takanobu+2 more|arXiv (Cornell University)|Oct 20, 2020

Topic Modeling参考文献 42被引用 12

一句话总结

本文提出 CR-Walker，一种统一框架，通过将层次化对话行为映射到多跳知识图谱推理，弥合了对话推理与交互式推荐之间的鸿沟。通过利用知识图谱路径引导对话生成并增强推荐可解释性，该模型同时提升了对话的信息丰富度与推荐的有效性，实现了对话系统与推荐系统之间的相互增强。

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.

研究动机与目标

• 解决现有方法中对话系统与推荐模块之间信息交换有限的问题。
• 将对话生成与推荐统一到单一框架中，通过相互反馈增强两个系统。
• 通过基于结构化知识图谱推理的对话策略，提升推荐的可解释性。
• 使对话行为能够基于从知识图谱中提取的、面向推荐的推理路径进行引导。
• 证明交互式对话可超越简单用户交互，进一步提升推荐质量。

提出的方法

• CR-Walker 在每次对话回合中，通过对大规模知识图谱执行多跳路径遍历，构建推理树。
• 该模型将生成的推理路径映射到层次化对话行为，以指导响应生成。
• 在对话行为与知识图谱推理之间建立高层级映射机制，作为对话与推荐之间的桥梁。
• 利用推荐目标作为策略信号，引导对话生成，从而提升相关性与可解释性。
• 系统联合优化对话连贯性、推荐准确率与策略可解释性。
• 使用知识图谱嵌入支持推理，并确保对话与推荐组件之间的语义一致性。

实验结果

研究问题

• RQ1 如何在单一框架内有效统一对话推理与交互式推荐？
• RQ2 知识图谱推理在多大程度上能提升对话生成与推荐性能？
• RQ3 能否系统性地将对话行为映射到多跳推理路径，以实现更优的策略控制？
• RQ4 推荐目标的整合在多大程度上能提升对话质量与可解释性？
• RQ5 所提出的桥梁机制对推荐准确率与对话信息丰富度的影响如何？

主要发现

• CR-Walker 在对话信息丰富度方面优于基线模型，该结果通过自动评估与人工评估指标得到验证。
• 该模型显著提升了推荐有效性，在标准推荐基准上超越了现有方法。
• 通过将对话动作建立在可追溯的知识图谱推理路径之上，该框架实现了可解释的推荐策略。
• 实证验证了对话与推荐之间的相互增强机制：对话质量提升推荐效果，反之亦然。
• 对话行为与知识图谱推理之间的映射，使得对话更加连贯且目标导向。
• 定量评估证实，所提出的框架最大化了对话推理与交互式推荐之间的互利共赢。