A Survey on Conversational Recommender Systems论文笔记

原论文链接：
A Survey on Conversational Recommender Systems

会话式推荐系统综述

2.1 会话式推荐系统的特性

-面向任务
-多轮对话
-对话可以是语音或文本
-会话推荐和会话搜索的相似性

2.2 CRS的概念架构（Conceptual Architecture of a CRS）
（1）CRS的架构和典型组件

A． 计算要素Computational Elements
（1） 对话管理系统（Dialogue Management System）：处理接收到的用户动作，更新对话状态和当前偏好文档，以及决定和执行下一个动作。
（2） 用户建模系统（User Modeling System）
（3） 推荐和推理引擎（Recommendation and Reasoning Engine）：在给定当前对话状态和偏好模型的情况下，检索一组推荐。
（4） 输入输出处理模块

B． 知识要素
（1） 项目数据库（Item Database）：一组可推荐的项目，及其属性信息
（2） 域和背景信息（Domain and Background Knowledge）

3. CRS的交互方式（INTERACTION MODALITIES OF CRS）

3.1 Input and Output Modalities 输入和输出模态
（1）基于表单和结构化布局的
（2）基于自然语言的：书面或口头形式
（3）混合模态

3.2 Application Environment 应用环境
（1）独立和嵌入式应用
CRS既可以是独立的应用
如：移动导游、交互式电商咨询系统、购物系统；
也可以是更大的软件解决方案的一部分，如：家庭助理

3.3 Interaction Initiative 交互
(i) system-driven, 系统驱动
(ii) user-driven, 用户驱动
(iii) mixed-initiative systems. 混合系统

4 .背后的知识和数据(KNOWLEDGE AND DATA BEHIND )

4.1 Supported User Intents 支持的用户意图
发起对话、闲聊、提供首选项、修改首选项、寻求推荐、获取解释、获取详细信息、对推荐的反馈、重新开始、接受推荐、退出

4.2 User Modeling 用户建模
（1）表示用户偏好信息的两种方式：
– individual items：例如评级、喜欢和不喜欢陈述、或隐式反馈信号
– individual item
– facets：与项目属性(例如，电影的类型)或期望的功能相关
（2）短期偏好和长期偏好
（3）集体偏好

4.3 Dialogue States 对话状态
-基于有限状态机

4.4 Background Knowledge 背景知识
– Item-related Knowledge.
– Dialogue Corpora Created to Build CRS.
– Logged Interaction Histories：他们喜欢如何提供他们的偏好、更好地理解用户的交互行为
– Lexicons and World Knowledge.

5 COMPUTATIONAL TASKS 计算任务

5.1 Main Tasks 主要任务
（1）请求：确定下一个要问的问题，目标通常是提高对话效率
-启发式方法：通过不同的权重排序
-强化学习方法：深层策略网络

（2）推荐：协同过滤、基于内容的、基于知识的、混合型
在基于评论和基于知识的系统中：对于过滤任务：基于约束的技术
基于机器学习模型和背景数据集：
– 基于概率矩阵分解，在传统的用户-项目交互矩阵上训练模型，然后将用户的当前交互与训练的用户和项目嵌入相结合。

– 在冷启动阶段依赖于基于项目特征和用户简档的基于内容的方法，一旦有足够数量的偏好信号可用，则切换到基于RBM的协同过滤方法。
（3）解释
（4）响应：将话语映射到预定义意图；训练机器学习模型自动生成响应

5.2 Supporting Tasks 支持任务
（1）NLU：意图检测可认为是一个分类任务
（2）特定的推荐功能

6.CRS的评估

（1）质量评估方面：
任务支持的有效性：
客观角度：Average Precision, the Hit Rate or RMSE
主观角度：决策信心、购买和退货意向等

任务支持的效率：对话轮数、任务完成时间
对话质量和可用性方面：BLEU得分
子任务的有效性：
客观：依赖强化学习计算奖励
主观：系统解释性能、理解输入的能力