【论文阅读】Advances and challenges in conversational recommender systems: A survey

原文标题：Advances and challenges in conversational recommender systems: A survey
源：https://www.sciencedirect.com/science/article/pii/S2666651021000164

摘要

推荐系统通过交互历史来研究用户的偏好已经有很长的历史，并在各个领域有广泛应用。然而静态推荐系统有两个重要问题难以解决：

• 用户究竟喜欢什么
• 为什么用户喜欢某个物品

这是由于静态模型学习用户偏好的方式导致的（没有与用户交互反馈）。CRS的兴起解决了这个局面（通过自然语言交互，反馈，探求用户真实准确偏好）
本文系统性介绍现有的CRS技术，从五个方向介绍挑战：

1. Question-based user preference elicitation
2. multi-turn conversational recommendation strategies
3. dialogue understanding and generation
4. exploitation-exploration trade-offs(E&E)
5. evaluation and user simulation

这些研究包括了IR/NLP/HCI等方向

1.引入 Introduction

推荐系统已经成为信息检索不可或缺的工具。各大公司都需要建立用户商品之间的联系。
传统的推荐系统(static recommendation)通过过去的行为(offline training )，例如点击，浏览记录等预测用户偏好。早期的一些方法，例如协同过滤、逻辑回归、factorization machine、GDBT等已经广泛应用在实际应用中。最近，也有研究使用更复杂但是有效的神经网络。

1.1 静态模型的问题 Inherent disadvantages of static recommendations

难以解决Two important questions:

（1）用户究竟喜欢什么？

• 使用历史数据进行学习会出现稀疏（sparse）和噪音（noisy）。
• 静态模型一个基本假设是所有的历史行为表示了用户的偏好。

因此会导致以下几个问题：
1. 由于用户可能选错了，而导致他们并不喜欢他们选择的物品。
2. 用户的对于商品的态度可能随着时间而改变，因此，从有偏差的历史数据中推断用户的喜欢将会十分困难。
3. 冷启动问题。

总之，通过静态模型很难得到用户精确地偏好。

（2）为什么用户喜欢这个商品？

• 找出用户为什么喜欢某个物品对于提到推荐模型机制，提高推断用户偏好的能力十分重要。
• 在现实生活中，有很多因素影响用户的选择。例如，用户可能处于好奇或者受他人影响购买商品；也可能是经过仔细思考后购买。购买相同商品的用户的动机可能不同。 因此，用同样的方式处理不同的用户，或者用同样的方式对待同一用户的不同行为并不合适。
• 静态模型很难推断用户消费行为背后的不同动机。

尽管之前有很多研究通过引入大量的辅助数据，例如社交网络、知识图谱