#今日论文推荐#KDD 2022 | 通过知识增强的提示学习实现统一的对话式推荐

#今日论文推荐#KDD 2022 | 通过知识增强的提示学习实现统一的对话式推荐

本文基于知识增强的提示学习提出一种统一的对话推荐系统。已有的对话推荐系统通常包含对话和推荐两个模块，并采用不同的模型或技术实现，导致模块之间存在语义不一致的问题。本文采用提示学习的范式重新建模对话和推荐子任务，从而使得对话和推荐模块用一个预训练模型就能轻松实现。

对话推荐系统（CRS）旨在通过自然语言对话为用户提供推荐服务。一般来说，CRS 需要完成两个子任务：一个是推荐，根据对话从候选物品集合中选取物品推荐给用户；另一个是对话，根据对话历史生成相应的回复。现有方法通常会设计推荐和对话这两个模块分别解决上述子任务。由于这两个子任务高度耦合，CRS 作为系统要能够无缝集成这两个模块。为此，一类工作在模块之间共享知识（如知识图谱和评论）及其表示以增强模块间的语义交互，另一类工作通过设计表示对齐策略（如互信息最大化和对比学习）来增强模块间语义的一致性。尽管如此，推荐和对话模块之间语义不一致的问题仍然存在。如图所示，对于基线模型 KGSF，尽管推荐模块预测了电影 Frozen 2 (2019) ，但对话模块似乎没有感知到这样的推荐结果，生成了包含另一部电影 Pretty Woman (1990) 的回复。

论文题目：Towards Unified Conversational Recommender Systems via Knowledge-Enhanced Prompt Learning
详细解读：https://www.aminer.cn/research_report/62c7a7117cb68b460fe5cda0https://www.aminer.cn/research_report/62c7a7117cb68b460fe5cda0
AMiner链接：https://www.aminer.cn/?f=cs