对话推荐系统论文笔记

对话推荐系统论文笔记

##1， 2019 EMNLP Towards Knowledge-Based Recommender Dialog System
  本文由清华大学和阿里巴巴发表，介绍了了一种基于知识图谱的对话推荐系统，该系统将对话系统和推荐系统整合成一个端到端的系统。通过引入用户偏好的背景知识，对话系统可以强化推荐系统。

本文提出的一些观点：

1. 一个理想的对话推荐系统是端到端的系统，对话系统和推荐系统可以互补。
2. 在冷启动的状态下，系统可以询问用户信息来提取用户的偏好
3. transformer比层次RNN编码解码器更好

模型的结构

1. 模型利用对话中的内容，包括没有提及到商品的表述（这部分可能会含有用户偏好的信息），利用维基知识图谱连接对话内容与商品。
2. 将用户表示为$T_u = {e_1,\dots,e_{|T_u|} } \qquad e_i \in \Large{\varepsilon} $ 商品和非商品实体的集合
3. 直觉上，知识图谱中相连接的节点拥有（share）相似的特征。使用R - GCNs¹对知识图谱进行编码,经过$L$层神经网络编码之后,表示为节点的表示矩阵$H^{(L)}\in {\mathbb{R}}^{|\epsilon |\times d^{(L)}}$
4. 从用户中或者item或者none-item的实体后，可以使用$H_U=(h_1,\dots ,h_{|T_u|})$,通过self-attention机制，算得最终的用户表示$t_u={\alpha }_u{H}_u$,推荐系统的输出是$P_{rec}=softmax(mask(t_u{H}^T))$,mask操作是将其中包含的none-item的实体概率最小化。
5. 为了连接对话系统和推荐系统，在对话系统的输出层添加vocabulary bias，出自² $P_{dialog}=softmax(Wo+b+b_u)$，其中$b_u=F:{\mathbb{R}}^d\to {\mathbb{R}}^{|V|}$

---

1. https://link.springer.com/chapter/10.1007/978-3-319-93417-4_38 ↩︎

2. https://arxiv.org/abs/1805.01817 ↩︎