利用對話模型引導(dǎo)的對話生成推薦

齊孝龍, 韓東紅, 高 翟, 喬百友

(東北大學(xué) 計算機(jī)科學(xué)與工程學(xué)院, 遼寧 沈陽 110169)

推薦系統(tǒng)可以解決海量數(shù)據(jù)導(dǎo)致的信息過載問題，旨在通過分析用戶行為、興趣、個性化需求等預(yù)測用戶感興趣的信息，諸如商品、新聞、感興趣的話題等[1].

傳統(tǒng)的推薦系統(tǒng)不能與用戶進(jìn)行很好地交互，從而影響了用戶體驗.有研究表明，對話式推薦能夠更好地解決推薦系統(tǒng)中的冷啟動問題[2]，而且在可解釋性方面優(yōu)于基于深度學(xué)習(xí)的推薦系統(tǒng)[3].基于此，對話式推薦技術(shù)開始進(jìn)入學(xué)術(shù)界和工業(yè)界的視野[4-10].

已有的對話推薦研究多以目標(biāo)或話題為導(dǎo)向[7,9]，即通常采用Pipeline方式，首先利用分類模型預(yù)測對話目標(biāo)、話題或推薦實體，再根據(jù)預(yù)測得到的對話目標(biāo)等指導(dǎo)生成合適的推薦對話.由于分類標(biāo)簽的空間過大(大約1 000個)[9]，導(dǎo)致預(yù)測的準(zhǔn)確率不高.針對上述問題，本文提出了一種利用對話模型引導(dǎo)的對話生成推薦(dialogue guided recommendation of dialogue generation,DGRDG)模型，通過對話模型生成對話目標(biāo)，因?qū)υ捘繕?biāo)的生成是逐步的，DGRDG模型在每一時間步的目標(biāo)生成模塊均融入上下文信息，生成的對話目標(biāo)質(zhì)量優(yōu)于分類模型；本文提出一種目標(biāo)重規(guī)劃策略(goal replan policy,GRP)，即在生成對話目標(biāo)后，利用對話目標(biāo)之間的關(guān)系和對話目標(biāo)與對話目標(biāo)候選集中元素之間的語義相似度，調(diào)整生成的對話目標(biāo)，使得對話目標(biāo)的準(zhǔn)確率比未引入該策略前提高了3.93%；最后通過在DuRecDial數(shù)據(jù)集上進(jìn)行實驗，結(jié)果驗證了所提出的模型的有效性.

1 相關(guān)工作

推……