[论文解读] Towards Conversational Recommendation over Multi-Type Dialogs

Zeming Liu, Haifeng Wang+4 more|arXiv (Cornell University)|May 8, 2020

Topic Modeling参考文献 31被引用 19

一句话总结

本文提出在多类型对话中进行对话式推荐，其中聊天机器人通过用户兴趣和反馈，主动从非推荐对话（如问答、闲聊）过渡到推荐对话。作者提出了MGCG框架，包含目标规划与目标引导式回复生成，并发布了DuRecDial数据集（10,000组对话，156,000条语句），以支持系统性研究，在目标完成率与连贯性方面均达到当前最优性能，涵盖检索式与生成式模型。

ABSTRACT

We propose a new task of conversational recommendation over multi-type dialogs, where the bots can proactively and naturally lead a conversation from a non-recommendation dialog (e.g., QA) to a recommendation dialog, taking into account user's interests and feedback. To facilitate the study of this task, we create a human-to-human Chinese dialog dataset \emph{DuRecDial} (about 10k dialogs, 156k utterances), which contains multiple sequential dialogs for every pair of a recommendation seeker (user) and a recommender (bot). In each dialog, the recommender proactively leads a multi-type dialog to approach recommendation targets and then makes multiple recommendations with rich interaction behavior. This dataset allows us to systematically investigate different parts of the overall problem, e.g., how to naturally lead a dialog, how to interact with users for recommendation. Finally we establish baseline results on DuRecDial for future studies. Dataset and codes are publicly available at https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/Research/ACL2020-DuRecDial.

研究动机与目标

• 解决多类型人机对话中，从非推荐对话（如问答、闲聊）到推荐对话的主动、自然过渡的研究空白。
• 研究聊天机器人如何在多种对话类型（如问答、闲聊、任务、推荐）之间主动引导对话，实现个性化推荐。
• 对用户兴趣与反馈进行建模，以实现多类型对话流中有效的目标规划与话题过渡。
• 构建一个大规模、人工标注、多领域的对话数据集，支持多样化的对话类型与交互模式，用于对话式推荐研究。

提出的方法

• 提出多目标驱动对话生成（MGCG）框架，包含目标规划模块，基于用户兴趣与话题自然性，确定长期推荐目标与短期目标。
• 设计目标引导式回复模块，为每种对话类型（如问答、闲聊、任务、推荐）生成上下文恰当、知识增强的回复。
• 整合知识图谱嵌入与用户档案信息，提升回复的信息量与个性化程度。
• 采用检索式与生成式回复选择策略，后者通过端到端序列到序列建模进行训练。
• 实现混合目标驱动对话策略，管理不同对话类型之间的流转，同时保持连贯性与主动性。
• 在新发布的DuRecDial数据集上，通过自动评估与人工评估指标（包括目标成功率、连贯性与主动性）对框架进行评估。

实验结果

研究问题

• RQ1 在多类型对话设置中，聊天机器人如何主动且自然地从非推荐对话（如问答、闲聊）过渡到推荐对话？
• RQ2 用户兴趣建模与反馈在规划对话推荐有效目标序列中起到何种作用？
• RQ3 如何在单次对话中，跨多样化对话类型保持知识增强与多轮连贯性？
• RQ4 在多类型对话系统中，检索式与生成式回复模型在目标完成率与自然度方面的性能差异有多大？
• RQ5 在同时管理多种对话类型时，实现高目标成功率与连贯性的关键挑战是什么？

主要发现

• 采用检索式与生成式模型的MGCG框架，在恰当性、信息量、目标成功率与连贯性方面显著优于S2S基线模型。
• 检索式模型因从真实人类语句中选择，表现出更高的流畅度，但在目标完成率与信息量方面表现较差，主要受限于候选回复的多样性不足。
• 目标成功率与知识使用量强相关：使用更多知识的模型在目标完成率上更高，尤其在问答与推荐等知识密集型对话类型中表现更优。
• 闲聊目标比问答或推荐目标更容易完成，表明知识密集型对话类型的复杂性更高。
• 生成式MGCG模型在272个预测目标中完成了174个（成功率64%），而检索式模型在288个中完成了158个（成功率55%），均优于S2S基线。
• 人工评估确认，MGCG模型生成的回复更具主动性、连贯性与目标导向性，且在恰当性与信息量方面得分更高。