[论文解读] KECRS: Towards Knowledge-Enriched Conversational Recommendation System

Tong Zhang, Yong Liu+4 more|arXiv (Cornell University)|May 18, 2021

Topic Modeling参考文献 39被引用 11

一句话总结

KECRS 提出了一种知识增强型对话推荐系统，通过整合外部知识图谱（KGs）来提升基于闲聊的推荐对话中的响应多样性与信息量。通过引入实体集合（Bag-of-Entity, BOE）损失和融合损失，KECRS增强了知识注入与嵌入对齐，利用新构建的电影领域知识图谱（TMDKG），在推荐准确率与响应质量方面达到了最先进性能。

ABSTRACT

The chit-chat-based conversational recommendation systems (CRS) provide item recommendations to users through natural language interactions. To better understand user's intentions, external knowledge graphs (KG) have been introduced into chit-chat-based CRS. However, existing chit-chat-based CRS usually generate repetitive item recommendations, and they cannot properly infuse knowledge from KG into CRS to generate informative responses. To remedy these issues, we first reformulate the conversational recommendation task to highlight that the recommended items should be new and possibly interested by users. Then, we propose the Knowledge-Enriched Conversational Recommendation System (KECRS). Specifically, we develop the Bag-of-Entity (BOE) loss and the infusion loss to better integrate KG with CRS for generating more diverse and informative responses. BOE loss provides an additional supervision signal to guide CRS to learn from both human-written utterances and KG. Infusion loss bridges the gap between the word embeddings and entity embeddings by minimizing distances of the same words in these two embeddings. Moreover, we facilitate our study by constructing a high-quality KG, \ie The Movie Domain Knowledge Graph (TMDKG). Experimental results on a large-scale dataset demonstrate that KECRS outperforms state-of-the-art chit-chat-based CRS, in terms of both recommendation accuracy and response generation quality.

研究动机与目标

• 解决现有基于闲聊的对话推荐系统（CRS）在推荐中存在重复推荐物品和通用化回应的局限性。
• 重新定义对话推荐任务，优先考虑新颖且与用户兴趣一致的推荐。
• 弥合对话话语与知识图谱实体之间的语义鸿沟，以生成更具信息量和多样性的响应。
• 构建一个高质量、领域特定的知识图谱（TMDKG），专为电影推荐设计，以支持更优的理解与响应生成。
• 提升知识图谱嵌入与自然语言嵌入的融合，以增强推荐与对话生成的性能。

提出的方法

• 提出实体集合（Bag-of-Entity, BOE）损失，以引导模型在生成响应时从知识图谱中选择相关实体，提升响应的多样性与信息量。
• 引入融合损失，通过最小化词嵌入与知识图谱实体嵌入之间的余弦距离，实现对话生成模块中的词嵌入与知识图谱实体嵌入的对齐。
• 构建了电影领域知识图谱（TMDKG），一个高质量、领域特定的 KG，包含丰富的电影属性、类型与关系，以支持精准且上下文感知的推荐。
• 将知识图谱集成到双模块架构中：一个推荐模块用于物品选择，一个响应生成模块用于生成自然语言响应。
• 通过联合优化对话响应损失、BOE 损失与融合损失，对模型进行微调，以同时提升响应流畅性、相关性与知识注入效果。
• 应用主成分分析（PCA）可视化，以直观展示融合损失在将词嵌入与实体嵌入对齐至同一语义空间方面的有效性。

实验结果

研究问题

• RQ1 知识图谱的集成是否能减少基于闲聊的对话推荐系统中的重复物品推荐？
• RQ2 如何有效对齐词嵌入与实体嵌入，以提升生成响应的相关性与信息量？
• RQ3 与通用知识图谱（如 DBpedia）相比，使用高质量、领域特定的知识图谱（TMDKG）是否能带来更好的推荐与响应生成性能？
• RQ4 所提出的 BOE 损失与融合损失在多大程度上提升了对话推荐中的响应多样性与质量？
• RQ5 模型是否能通过对话上下文推断潜在兴趣（如类型偏好），从而在不显式提及物品的情况下泛化至用户偏好？

主要发现

• KECRS 在响应生成指标上达到最先进性能，其在 TMDKG 上的 Dist-4 得分为 1.23，显著优于最佳基线模型 KGSF 的 0.73。
• PCA 可视化结果证实，融合损失有效对齐了词嵌入与实体嵌入，显示词嵌入与实体嵌入之间的分布差距减小。
• 与使用 DBpedia 相比，使用 TMDKG 在所有指标上均提升了响应生成性能，表明领域特定 KG 包含更少噪声且更相关的信息。
• KECRS 在推荐准确率与响应质量方面始终优于 KBRD 与 KGSF，在使用 TMDKG 时，AEN 与 Dist-4 指标的提升具有统计显著性（p < 0.01）。
• 案例研究显示，KECRS 能够从对话历史中推断用户偏好（如喜欢惊悚片），并推荐新颖且相关的物品（如《It》（2017）），同时生成信息丰富、上下文相关的响应。
• 消融实验表明，若移除融合损失，嵌入对齐效果变差，响应质量下降，验证了其在知识注入中的关键作用。