論文の概要: KECRS: Towards Knowledge-Enriched Conversational Recommendation System

• arxiv url: http://arxiv.org/abs/2105.08261v1
• Date: Tue, 18 May 2021 03:52:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:02:50.229444
• Title: KECRS: Towards Knowledge-Enriched Conversational Recommendation System
• Title（参考訳）: KECRS:知識に富んだ会話レコメンデーションシステムを目指して
• Authors: Tong Zhang, Yong Liu, Peixiang Zhong, Chen Zhang, Hao Wang, Chunyan Miao
• Abstract要約: chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。 外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。 KECRS(Knowledge-Enriched Conversational Recommendation System)の提案 大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
• 参考スコア（独自算出の注目度）: 50.0292306485452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The chit-chat-based conversational recommendation systems (CRS) provide item recommendations to users through natural language interactions. To better understand user's intentions, external knowledge graphs (KG) have been introduced into chit-chat-based CRS. However, existing chit-chat-based CRS usually generate repetitive item recommendations, and they cannot properly infuse knowledge from KG into CRS to generate informative responses. To remedy these issues, we first reformulate the conversational recommendation task to highlight that the recommended items should be new and possibly interested by users. Then, we propose the Knowledge-Enriched Conversational Recommendation System (KECRS). Specifically, we develop the Bag-of-Entity (BOE) loss and the infusion loss to better integrate KG with CRS for generating more diverse and informative responses. BOE loss provides an additional supervision signal to guide CRS to learn from both human-written utterances and KG. Infusion loss bridges the gap between the word embeddings and entity embeddings by minimizing distances of the same words in these two embeddings. Moreover, we facilitate our study by constructing a high-quality KG, \ie The Movie Domain Knowledge Graph (TMDKG). Experimental results on a large-scale dataset demonstrate that KECRS outperforms state-of-the-art chit-chat-based CRS, in terms of both recommendation accuracy and response generation quality.
• Abstract（参考訳）: チャットベースの会話レコメンデーションシステム(CRS)は、自然言語による対話を通じて、ユーザにアイテムレコメンデーションを提供する。 ユーザの意図をよりよく理解するために、外部知識グラフ(KG)がチャットベースのCRSに導入されている。 しかし、既存のチップチャットベースのCRSは、通常反復的なアイテムレコメンデーションを生成し、KGからの知識をCRSに適切に注入して情報的応答を生成することはできない。 これらの問題を解決するため、まず、推奨項目を新規かつ潜在的に興味のあるものにするために、会話レコメンデーションタスクを再構成する。 そこで我々はKECRS(Knowledge-Enriched Conversational Recommendation System)を提案する。 特に,バグ・オブ・エンティティ(boe)損失と輸液損失を発達させ,より多様で有益な応答を生成するために,kg と crs との統合性が向上した。 BOE損失は、CRSに人書きの発話とKGから学ぶための追加の監視信号を提供する。 注入損失は、この2つの埋め込みにおける同じ単語の距離を最小化することにより、単語埋め込みとエンティティ埋め込みの間のギャップを埋める。 さらに、高品質なKG, \ie The Movie Domain Knowledge Graph (TMDKG)を構築することで、研究の促進を図る。 大規模データセットによる実験結果から,KECRSは推奨精度と応答生成品質の両方の観点から,最先端のチャットベースのCRSよりも優れていた。

関連論文リスト

• A Conversation is Worth A Thousand Recommendations: A Survey of Holistic Conversational Recommender Systems [54.78815548652424]
  会話レコメンデータシステムは対話的なプロセスを通じてレコメンデーションを生成する。 すべてのCRSアプローチが、インタラクションデータのソースとして人間の会話を使用するわけではない。 全体論的CRSは、現実世界のシナリオから収集された会話データを使って訓練される。
  論文  参考訳（メタデータ） (2023-09-14T12:55:23Z)
• Alleviating the Long-Tail Problem in Conversational Recommender Systems [72.8984755843184]
  会話レコメンデータシステム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSデータセットは、長い尾の問題に悩まされているため、会話で言及される項目はめったにない(あるいは一度もない)。 本稿では、バランスの取れたCRSデータセットのシミュレーションと利用に焦点を当てた新しいフレームワークである textbfLOT-CRS を提案する。
  論文  参考訳（メタデータ） (2023-07-21T15:28:47Z)
• Conversational Recommendation as Retrieval: A Simple, Strong Baseline [4.737923227003888]
  会話レコメンデーションシステム(CRS)は,自然言語会話を通じて適切な項目をユーザに推薦することを目的としている。 ほとんどのCRSアプローチは、これらの会話によって提供されるシグナルを効果的に利用しない。 CRS項目推薦タスクに対して、代替情報検索(IR)スタイルのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-23T06:21:31Z)
• Variational Reasoning over Incomplete Knowledge Graphs for Conversational Recommendation [48.70062671767362]
  不完全KGs会話レコメンダ(VRICR)に対する変分推論を提案する。 我々のキーとなる考え方は、CRSを伴って自然に大きな対話コーパスを組み込んで、不完全なKGを強化することである。 また、KGsの対話特化部分グラフを適応的知識グラフの分類的先行を持つ潜在変数として表す。
  論文  参考訳（メタデータ） (2022-12-22T17:02:21Z)
• EGCR: Explanation Generation for Conversational Recommendation [7.496434082286226]
  対話エージェントがなぜ行動を起こすのかを説明するための説明文を生成することに基づく会話推薦のための説明生成(EGCR)。 EGCRはユーザレビューを取り入れて項目表現を強化し、会話全体の情報性を高める。 EGCRを1つのベンチマークの会話推薦データセット上で評価し、他の最先端技術モデルと比較して、推奨精度と会話品質の両方で優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-08-17T02:30:41Z)
• Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
  対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。 KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。 最終的には、正確な推奨は会話の順番を少なくして生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:58:10Z)
• Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion [77.21442487537139]
  対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。 まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。 第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
  論文  参考訳（メタデータ） (2020-07-08T11:14:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。