题目
Towards Conversational Recommender Systems
简介
当被要求为他们不认识的人做推荐时,人类可以快速建立偏好。为了使模型也具有该能力,本文提出在在线学习环境中解决这个冷启动推荐问题,开发了一个偏好启发框架,以确定向新用户提出哪些问题来快速了解他们的偏好。通过在数据集上比较不同类型的反馈和问题选择策略,本文提出的框架可以非常有效地利用在线用户反馈,在只问2个问题后,个性化推荐就比静态模型提高了25%
why
人们经常向别人寻求餐馆推荐,以此来发现新的用餐体验。这使得餐馆推荐成为推荐系统的一个令人兴奋的场景,并在这一领域引发了大量的研究。然而,当被要求推荐时,大多数这样的系统表现得跟人类不一样。本文的目标是开始缩小这一差距
what
本文的主要贡献有四个方面:
(1)提出了类似人类推荐者的新观点,他们与新用户交谈以了解他们的偏好;
(2)成功地展示了一种完全在线的推荐学习方法——既使用绝对反馈,也使用相对反馈;
(3)提出了一种系统化的方法来结合在线数据去初始化在线学习推荐器,并证明了性能的提高;
(4)提出了一系列项目选择策略,用于决定向冷启动用户提出什么问题,以便最快速地推断偏好
how
- Pick a model (Absolute/Pairwise) and preference elicitation mechanism: Abs / Abs Pos/ Abs Pos & Neg / Pairwise
- Initialize model parameters using online data
- A new user arrives. Now iterate for a few questions3:
(a) Mechanism selects a question to ask
(b) User answers the question
© All model parameters are updated
(d) Remove the question from the allowed questions - System presents the final recommended list
Result
Which method for relative questions is better?
Are absolute or relative questions better?
Does offline initialization help?
Which question selection strategy is best?
Conclusion
本文提出了一个新颖的观点,即推荐是一个交互式的过程。像人类推荐者一样,而且推荐系统可以与新用户交谈,学习了解他们的偏好