論文の概要: Knowledge-Enhanced Conversational Recommendation via Transformer-based Sequential Modelling
- arxiv url: http://arxiv.org/abs/2412.02415v1
- Date: Tue, 03 Dec 2024 12:20:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:47:27.580773
- Title: Knowledge-Enhanced Conversational Recommendation via Transformer-based Sequential Modelling
- Title(参考訳): 変圧器を用いた逐次モデリングによる知識強化型会話レコメンデーション
- Authors: Jie Zou, Aixin Sun, Cheng Long, Evangelos Kanoulas,
- Abstract要約: まず,トランスフォーマーをベースとした逐次的対話推薦手法TSCRを提案し,会話の逐次的依存関係をモデル化する。
次に,TSCRの知識グラフ拡張版であるTSCRKGを提案する。
実験の結果,TSCRモデルは最先端のベースラインを著しく上回ることがわかった。
- 参考スコア(独自算出の注目度): 58.681146735761224
- License:
- Abstract: In conversational recommender systems (CRSs), conversations usually involve a set of items and item-related entities or attributes, e.g., director is a related entity of a movie. These items and item-related entities are often mentioned along the development of a dialog, leading to potential sequential dependencies among them. However, most of existing CRSs neglect these potential sequential dependencies. In this article, we first propose a Transformer-based sequential conversational recommendation method, named TSCR, to model the sequential dependencies in the conversations to improve CRS. In TSCR, we represent conversations by items and the item-related entities, and construct user sequences to discover user preferences by considering both the mentioned items and item-related entities. Based on the constructed sequences, we deploy a Cloze task to predict the recommended items along a sequence. Meanwhile, in certain domains, knowledge graphs formed by the items and their related entities are readily available, which provide various different kinds of associations among them. Given that TSCR does not benefit from such knowledge graphs, we then propose a knowledge graph enhanced version of TSCR, called TSCRKG. In specific, we leverage the knowledge graph to offline initialize our model TSCRKG, and augment the user sequence of conversations (i.e., sequence of the mentioned items and item-related entities in the conversation) with multi-hop paths in the knowledge graph. Experimental results demonstrate that our TSCR model significantly outperforms state-of-the-art baselines, and the enhanced version TSCRKG further improves recommendation performance on top of TSCR.
- Abstract(参考訳): 会話レコメンデータシステム(CRS)では、通常、会話には一連のアイテムやアイテム関連エンティティや属性が含まれ、例えば、ディレクターは映画の関連エンティティである。
これらのアイテムとアイテム関連エンティティは、ダイアログの開発に伴ってしばしば言及される。
しかし、既存のCRSの多くは、これらの潜在的なシーケンシャルな依存関係を無視している。
本稿では、まず、TSCRと呼ばれるトランスフォーマーに基づく逐次的会話推薦手法を提案し、CRSを改善するために会話の逐次的依存関係をモデル化する。
TSCRでは、アイテムとアイテム関連エンティティによる会話を表現し、ユーザシークエンスを構築して、上記のアイテムとアイテム関連エンティティの両方を考慮し、ユーザの好みを検出する。
構築されたシーケンスに基づいて、Clozeタスクをデプロイし、シーケンスに沿って推奨項目を予測する。
一方、特定のドメインでは、アイテムとその関連エンティティによって形成された知識グラフが容易に利用でき、その間に様々な種類の関連性を提供する。
TSCRはそのような知識グラフの恩恵を受けないので,TSCRの知識グラフ拡張版であるTSCRKGを提案する。
具体的には、知識グラフを利用して、モデルTSCRKGをオフラインで初期化し、知識グラフ内のマルチホップパスと会話のユーザシーケンス(例えば、上記項目と会話におけるアイテム関連エンティティのシーケンス)を拡大する。
実験の結果,TSCRモデルは最先端のベースラインを著しく上回り,改良版TSCRKGはTSCR上でのレコメンデーション性能をさらに向上させることがわかった。
関連論文リスト
- Parameter-Efficient Conversational Recommender System as a Language
Processing Task [52.47087212618396]
会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。
先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。
本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
論文 参考訳(メタデータ) (2024-01-25T14:07:34Z) - 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) - Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。
そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。
提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2023-05-08T21:48:17Z) - Improving Items and Contexts Understanding with Descriptive Graph for
Conversational Recommendation [4.640835690336652]
会話レコメンデーションシステム(CRS)における最先端の手法は、外部知識を活用して、項目の表現と文脈の表現を強化する。
我々は,同じ意味空間における項目とその関連する文脈語を共同でモデル化する新しいCRSフレームワークKLEVERを提案する。
CRSデータセットのベンチマーク実験では、KLEVERは特にユーザの応答からの情報が不足している場合に、優れたパフォーマンスを達成することが示されている。
論文 参考訳(メタデータ) (2023-04-11T21:21:46Z) - Talk the Walk: Synthetic Data Generation for Conversational Music
Recommendation [62.019437228000776]
本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。
人間の収集したデータセットで100万以上の多様な会話を生成します。
論文 参考訳(メタデータ) (2023-01-27T01:54:16Z) - Sequential Recommendation with Auxiliary Item Relationships via
Multi-Relational Transformer [74.64431400185106]
逐次レコメンデーション(SR)のための補助項目関係をモデル化可能なマルチリレーショナルトランスを提案する。
具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。
第3に、シーケンス間アイテム関係ペアに対して、新しいシーケンス間アイテムモデリングモジュールを導入する。
論文 参考訳(メタデータ) (2022-10-24T19:49:17Z) - CR-Walker: Tree-Structured Graph Reasoning and Dialog Acts for
Conversational Recommendation [62.13413129518165]
CR-Walkerは知識グラフ上で木構造推論を行うモデルである。
インフォメーションダイアログが生成され、言語生成をガイドする。
自動的および人的評価は、CR-Walkerがより正確なレコメンデーションに到達できることを示している。
論文 参考訳(メタデータ) (2020-10-20T14:53:22Z)
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。