[论文解读] Deep Conversational Recommender in Travel

Lizi Liao, Ryuichi Takanobu+4 more|arXiv (Cornell University)|Jun 25, 2019

Topic Modeling参考文献 43被引用 33

一句话总结

本文提出 DCR，一种用于旅行的深度对话推荐系统，结合神经主题组件、基于 GCN 的场馆推荐器，以及基于指针的回应集成，以处理多子任务的旅行对话。

ABSTRACT

When traveling to a foreign country, we are often in dire need of an intelligent conversational agent to provide instant and informative responses to our various queries. However, to build such a travel agent is non-trivial. First of all, travel naturally involves several sub-tasks such as hotel reservation, restaurant recommendation and taxi booking etc, which invokes the need for global topic control. Secondly, the agent should consider various constraints like price or distance given by the user to recommend an appropriate venue. In this paper, we present a Deep Conversational Recommender (DCR) and apply to travel. It augments the sequence-to-sequence (seq2seq) models with a neural latent topic component to better guide response generation and make the training easier. To consider the various constraints for venue recommendation, we leverage a graph convolutional network (GCN) based approach to capture the relationships between different venues and the match between venue and dialog context. For response generation, we combine the topic-based component with the idea of pointer networks, which allows us to effectively incorporate recommendation results. We perform extensive evaluation on a multi-turn task-oriented dialog dataset in travel domain and the results show that our method achieves superior performance as compared to a wide range of baselines.

研究动机与目标

• 促使构建一个能够处理多子任务对话（酒店、餐厅、出租车等）的智能旅行代理。
• 提出一种混合模型，将全局主题控制与基于 GCN 的场馆推荐结合起来，以遵循约束与上下文。
• 开发一种将推荐结果整合到回应生成中的集成机制。
• 在多轮旅行对话数据集上评估模型，并展示相对于基线的改进。

提出的方法

• 在序列到序列骨干网络上扩展一个神经潜在主题组件，以捕捉全局对话语义并实现同一主题内的生成。
• 使用两层图卷积网络来学习场馆表示和在对话上下文中的赞助匹配分数。
• 通过受指针网络启发的机制，将主题驱动的生成与基于 GCN 的推荐整合，该机制使用哨兵标记在单词生成和场馆插入之间切换。
• 使用变分推断和主题条件解码偏置，以及一个 KL 散度项来训练主题组件。
• 使用对话-场馆对的交叉熵目标函数，训练基于 GCN 的推荐器以优化场馆与对话上下文的匹配。
• 使用主题损失和 GCN 损失的加权组合对联合模型进行端到端微调。

实验结果

研究问题

• RQ1 RQ1：DCR 是否能够在多轮对话中生成合适的旅行领域回应与推荐？
• RQ2 RQ2：全局主题控制组件是否提升回应的一致性与主题连贯性？
• RQ3 RQ3：基于 GCN 的场馆推荐是否能够有效捕捉场馆关系与约束，从而改进推荐？

主要发现

• DCR 在旅行领域的语料库基础指标（BLEU 和实体准确率）上优于基线。
• 主题组件有助于生成同一主题内的连贯回应。
• 基于 GCN 的推荐器捕捉场馆属性和关系，提升推荐质量。
• 该指针式集成机制有效地将主题驱动的生成与推荐结果结合起来。