[论文解读] Towards Topic-Guided Conversational Recommender System

Kun Zhou, Yuanhang Zhou+3 more|arXiv (Cornell University)|Oct 8, 2020

Topic Modeling参考文献 36被引用 18

一句话总结

该论文提出TG-ReDial，一个新型对话式推荐系统数据集，通过在真实电影评论数据上进行半自动人工标注，实现了从闲聊到推荐的自然话题引导过渡。作者提出一种统一模型，利用BERT、SASRec和GPT-2联合预测话题、推荐项目并生成回复，在TG-ReDial基准上三项子任务均达到最先进性能。

ABSTRACT

Conversational recommender systems (CRS) aim to recommend high-quality items to users through interactive conversations. To develop an effective CRS, the support of high-quality datasets is essential. Existing CRS datasets mainly focus on immediate requests from users, while lack proactive guidance to the recommendation scenario. In this paper, we contribute a new CRS dataset named extbf{TG-ReDial} ( extbf{Re}commendation through extbf{T}opic- extbf{G}uided extbf{Dial}og). Our dataset has two major features. First, it incorporates topic threads to enforce natural semantic transitions towards the recommendation scenario. Second, it is created in a semi-automatic way, hence human annotation is more reasonable and controllable. Based on TG-ReDial, we present the task of topic-guided conversational recommendation, and propose an effective approach to this task. Extensive experiments have demonstrated the effectiveness of our approach on three sub-tasks, namely topic prediction, item recommendation and response generation. TG-ReDial is available at https://github.com/RUCAIBox/TG-ReDial.

研究动机与目标

• 为解决现有对话式推荐系统（CRS）数据集中从非推荐场景到推荐场景缺乏自然、话题引导的过渡问题。
• 构建一个高质量、逼真的CRS数据集，通过话题演化支持主动、上下文相关的推荐流程。
• 提出一种统一的框架用于话题引导的对话式推荐，整合话题预测、项目推荐与回复生成。
• 通过联合利用对话历史、用户档案和演化的话题线，更有效地建模用户偏好。

提出的方法

• TG-ReDial数据集通过将真实电影评论网站中的用户身份与合成对话对齐构建，确保用户档案和推荐理由的真实性。
• 话题线被显式设计为引导对话从非推荐话题自然过渡到最终的项目推荐，实现语义上的自然衔接。
• 所提出的模型使用BERT编码历史话语、话题和用户档案，对每种模态使用独立的BERT编码器以捕捉多样化的用户偏好信号。
• 项目推荐模块结合SASRec用于序列行为建模，以及BERT用于对话历史的上下文理解。
• 回复生成模块基于微调后的GPT-2，以预测的话题和项目为条件，生成上下文相关且具有说服力的回复。
• 模型通过多任务学习联合训练三个子任务——话题预测、项目推荐与回复生成，以提升整体性能。

实验结果

研究问题

• RQ1 从闲聊到推荐的话题引导过渡是否能提升对话推荐的自然性与有效性？
• RQ2 统一模型在对话场景中联合预测话题、推荐项目并生成回复的能力如何？
• RQ3 与孤立信号相比，整合用户档案、对话历史与演化的主题在多大程度上提升了推荐质量？
• RQ4 所提出的模型在话题预测、项目推荐与回复生成方面与强基线相比表现如何？

主要发现

• 在话题预测任务中，所提模型表现最佳，通过独立BERT编码器有效整合历史话语、话题与用户档案，取得最高F1分数。
• 在项目推荐任务中，模型通过结合序列偏好建模（SASRec）与对话上下文理解（BERT），实现最佳性能。
• 在回复生成任务中，模型达到最低困惑度（7.223），并获得最高人类评估得分（相关性1.520，信息量1.640），显著优于GPT-2及其他基线模型。
• 消融实验表明，目标话题是性能的关键输入，若从BERT输入中移除话题信息，所有指标均出现显著下降。
• 半自动数据构建流程相比完全人工或完全自动的方法，生成了更具真实感且可控的人工标注对话。