[论文解读] User Memory Reasoning for Conversational Recommendation

Hu Xu, Seungwhan Moon+5 more|arXiv (Cornell University)|May 30, 2020

Topic Modeling参考文献 26被引用 6

一句话总结

本文提出了一种用户记忆图（UMG）框架，用于对话推荐，该框架将离线用户偏好与在线对话交互动态整合到结构化的知识图中。所提出的UMGR模型在该图上执行零样本推理，以生成个性化的对话策略和推荐结果，在离线与在线评估中均表现出色，通过保留图结构实现了可解释的、自适应的推荐。

ABSTRACT

We study a conversational recommendation model which dynamically manages users' past (offline) preferences and current (online) requests through a structured and cumulative user memory knowledge graph, to allow for natural interactions and accurate recommendations. For this study, we create a new Memory Graph (MG) Conversational Recommendation parallel corpus called MGConvRex with 7K+ human-to-human role-playing dialogs, grounded on a large-scale user memory bootstrapped from real-world user scenarios. MGConvRex captures human-level reasoning over user memory and has disjoint training/testing sets of users for zero-shot (cold-start) reasoning for recommendation. We propose a simple yet expandable formulation for constructing and updating the MG, and a reasoning model that predicts optimal dialog policies and recommendation items in unconstrained graph space. The prediction of our proposed model inherits the graph structure, providing a natural way to explain the model's recommendation. Experiments are conducted for both offline metrics and online simulation, showing competitive results.

研究动机与目标

• 为解决现有对话推荐系统在维护和推理用户长期偏好及动态演变的对话上下文方面存在的局限性。
• 通过将用户/项目知识与推理模型解耦，实现对未见用户和项目的零样本（冷启动）推理。
• 通过将动作建立在灵活且结构化的用户记忆图之上，支持开放词汇、无约束的对话策略生成。
• 构建一个新的基准数据集MGConvRex，包含人工标注的、基于记忆的对话，真实反映用户行为与推理过程。
• 开发一种模型，通过继承用户与项目知识的图结构，自然地解释推荐结果。

提出的方法

• 通过整合离线用户历史、候选项目及其属性，构建一个异质知识图，形成（实体，关系，实体）三元组的用户记忆图（MG）。
• 在对话轮次中动态更新MG，将新用户偏好和系统动作作为新三元组加入。
• 提出UMGR模型，一种基于图的神经网络，对动态演化的MG执行端到端推理，以预测对话策略和项目推荐。
• 设计模型以保持图结构，确保策略输出（如推荐）可通过图的拓扑结构直接解释。
• 采用双编码器架构编码对话历史与用户记忆图，实现对在线与离线知识的联合推理。
• 使用策略预测与项目排序目标的组合进行训练，监督信号来自MGConvRex数据集。

实验结果

研究问题

• RQ1 用户记忆图能否有效支持在对话推荐中对离线偏好与在线对话交互进行动态、多轮推理？
• RQ2 当模型以用户与项目无关的方式进行训练时，其在未见用户与项目上的泛化能力（零样本推理）能达到何种程度？
• RQ3 将结构化、动态演化的用户记忆图引入，能在多大程度上提升对话策略与推荐的准确性与可解释性？
• RQ4 模型能否生成自然、类人的对话流程，通过提问与推荐的循环逐步理解用户偏好？
• RQ5 与缺乏记忆锚定或结构感知推理的基线模型相比，该模型的性能如何？

主要发现

• UMGR模型在离线指标与在线仿真中均表现出具有竞争力的性能，证明其在动态推荐场景中的鲁棒性。
• 消融实验表明，若移除对话上下文或用户记忆图更新，性能显著下降，证实记忆锚定的重要性。
• UMGR优于基于规则的智能体与预训练图嵌入基线模型，尤其在个性化与冷启动场景中表现更优。
• 模型有效学习到随时间更新项目重要性得分，与收集到的新用户信息保持一致。
• 可视化结果表明，模型根据用户偏好的动态演变，对项目进行动态重排序，反映出自然的推理演进过程。
• 所提出的MGConvRex数据集支持零样本推理，因训练与测试用户互不重叠，验证了模型的泛化能力。