对话推荐系统CRS论文精读KGSF：Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fu

前言

本篇论文2020年8月发表于KDD2020。基于语义融合，在KBRD模型的基础上增强了对话推荐系统的性能。KBRD模型详见博客对话推荐CRS论文精读KBRD：Towards Knowledge-Based Recommender Dialog System
文章链接：https://arxiv.org/pdf/2007.04032.pdf
代码链接：https://github.com/Lancelot39/KGSF

一、原文摘要

对话推荐系统(CRS)旨在通过交互式对话向用户推荐高质量的商品。对于现有的CRS工作，仍有两个主要问题有待解决：第一，对话数据本身缺乏足够的上下文信息，无法准确理解用户的偏好。第二，自然语言表达和项目级用户偏好之间存在语义鸿沟。
为了解决这些问题，我们结合了面向词和面向实体的知识图谱来增强CRS中的数据表示，并采用互信息最大化来对齐词级和实体级语义空间。基于对齐的语义表示，我们进一步开发了一个KG-enhenced推荐组件，用于做出准确的推荐，以及一个知识图谱增强的对话组件，可以在响应文本中生成信息关键字或实体。大量的实验证明了我们的方法在推荐和对话任务上的有效性。

二、为什么要提出KGSF

2.1当前CRS存在的问题

• 第一，对话数据只由几句话组成，缺乏足够的上下文信息来准确理解用户的偏好。
  如表1所示，用户表述自己仅使用两句话，那么系统为了搞清楚用户的偏好，需要理解 $scary$，$Paranormal$ $Activity$二者间的关系。仅仅基于上下文对话显然是无法理解的。
  
• 第二，自然语言表达和项目级用户偏好之间存在语义鸿沟。
  用户以自然语言表述，但实际上用户可能对表述后面的项目或是实体上（例如体裁、演员）。语言表述和实体偏好存在着语义鸿沟。那么就需要一种有效的语义融合方式来理解并生成话语。
  如上面的表1所示。系统给用户推荐了$It$，并附加了推荐的原因$It$ $is$ $a$ $classic$ $thriller$ $movie$ w i t h with