[論文レビュー] Towards Deep Conversational Recommendations

Raymond Li, Samira Ebrahimi Kahou+4 more|PolyPublie (École Polytechnique de Montréal)|Dec 18, 2018

Topic Modeling被引用数 124

ひとこと要約

本論文は ReDial という、映画推薦対話の実世界データセット10k件を導入し、階層的エンコーダ、感情情報を取り入れた感情分析、および切替デコーダを備えたオートエンコーダーベースのレコメンダを組み合わせた、対話推薦のモジュール型ニューラルアーキテクチャを提案する。

ABSTRACT

There has been growing interest in using neural networks and deep learning techniques to create dialogue systems. Conversational recommendation is an interesting setting for the scientific exploration of dialogue with natural language as the associated discourse involves goal-driven dialogue that often transforms naturally into more free-form chat. This paper provides two contributions. First, until now there has been no publicly available large-scale dataset consisting of real-world dialogues centered around recommendations. To address this issue and to facilitate our exploration here, we have collected ReDial, a dataset consisting of over 10,000 conversations centered around the theme of providing movie recommendations. We make this data available to the community for further research. Second, we use this dataset to explore multiple facets of conversational recommendations. In particular we explore new neural architectures, mechanisms, and methods suitable for composing conversational recommendation systems. Our dataset allows us to systematically probe model sub-components addressing different parts of the overall problem domain ranging from: sentiment analysis and cold-start recommendation generation to detailed aspects of how natural language is used in this setting in the real world. We combine such sub-components into a full-blown dialogue system and examine its behavior.

研究の動機と目的

• 映画推薦に焦点を当てた現実世界の二者対話コーパスを提供し、対話型推薦の研究を可能にする。
• サブタスク（推奨生成、言及された映画に対するユーザー意見の感情分析、対話システムへの統合）のモジュール型ニューラルコンポーネントを開発・評価する。
• 対話に明示的な映画推奨を組み込めるニューラルアーキテクチャを、スイッチングデコーダと動的感情情報付きレコメンダを用いて提案する。
• エンドツーエンド学習時のデータ不足に対処するため、サブコンポーネントの事前学習をより大規模なデータソースで行う利点を示す。

提案手法

• AMT を用いた seeker/recommender セットアップで、映画言及と言語品質の使用を強制し、10,006 の対話と 182,150 の発話を収集して ReDial データセットを作成する。
• GenSen の文表現を階層型エンコーダ（HRED 風）への固定入力として用い、対話コンテキスト表現を取得する。
• 映画の感情分類子を動的にインスタンス化する感情分析 RNN を導入し、ノイズ除去オートエンコーダのレコメンダを誘導する。
• MovieLens で事前学習したオートエンコーダ型レコメンダをコールドスタート推奨のために訓練し、デコーダへスイッチング機構を介して語彙トークンと映画名トークンの間を切り替える。
• 各ステップでレコメンダのレーティングベクトルと文脈を用いて次の発話を生成する専用のスイッチングデコーダを用い、語彙と映画言及の間を切り替える。
• 標準的な指標（感情予測精度、推奨の RMSE）でコンポーネントを個別に評価し、HRED ベースのベンチマークと人手による発話レベルの比較を行う。

実験結果

リサーチクエスチョン

• RQ1 推奨に焦点を当てた自然言語での対話データセットの実世界規模はどの程度の価値があるのか。
• RQ2 対話型推奨のサブタスク（コールドスタート推奨、感情認識を考慮した推論、統合対話生成）を最もよく支えるアーキテクチャと学習戦略は何か。
• RQ3 事前学習済みサブコンポーネントを持つモジュール型ニューラルシステムは、推奨に特化した対話において標準的なエンドツーエンド対話モデルを上回ることができるか。
• RQ4 言及された映画に結びついた動的な感情分析を組み込むことは、推奨品質と対話の一貫性を改善するか。

主な発見

• ReDial は 10,006 の対話と 182,150 の発話を含む公開データセットを提供し、推奨中心の対話の構造化分析を可能にする。
• 階層型エンコーダと映画の感情情報を動的に instantiate する RNN を共同訓練することで、ユーザーの意見予測が改善され、レコメンダ部品を導くことができる。
• MovieLens で事前学習したデノイジング自動encoder はコールドスタート推奨の性能を高め、スイッチングデコーダと組み込むと、発話レベルの評価で基準の HRED より良い対話応答を示す。
• モジュラーアプローチは、エンドツーエンド学習のデータが不足している場合にサブコンポーネントを大規模データで事前学習することを可能にし、全体の性能を向上させる。
• 人間の評価では提案モデルが標準の HRED ベースラインを上回る対話応答のランキングで優位だが、人間を交えた完全な対話評価はまだ検討課題である。