主题: Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion

摘要: 会话推荐系统(CRS)旨在通过交互式对话向用户推荐高质量的项目。尽管已为CRS做出了一些努力,但仍有两个主要问题有待解决。首先,对话数据本身缺少足够的上下文信息,无法准确地了解用户的偏好。第二,自然语言表达与项目级用户偏好之间存在语义鸿沟。为了解决这些问题,我们结合了面向单词和面向实体的知识图(KG)来增强CRS中的数据表示,并采用互信息最大化来对齐单词级和实体级的语义空间。基于对齐的语义表示,我们进一步开发了用于进行准确推荐的KGenhanced推荐器组件,以及可以在响应文本中生成信息性关键字或实体的KG增强对话框组件。大量的实验证明了我们的方法在推荐和对话任务上都能产生更好的性能。

成为VIP会员查看完整内容
0
49

相关内容

题目: Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph

摘要: 近年来,图神经网络(GNN)被应用于知识图谱(KG)的开发。现有的基于GNN的方法在KG中对实体与其本地图上下文之间的依赖关系进行了建模。,但可能无法有效地捕获其非局部图上下文(例如,它的一阶邻居的集合),最相关的高阶邻居集)。在本文中,我们提出了一个新的推荐框架——上下文化的图注意网络(CGAT),它可以显式地利用KG中实体的局部和非局部图上下文信息。特别地,CGAT通过用户特定的图形注意机制捕获本地上下文信息,考虑用户对实体的个性化偏好。此外,CGAT采用了一个有偏随机游走采样过程来提取一个实体的非局部上下文,并利用递归神经网络(RNN)来建模实体与其非局部上下文实体之间的依赖关系。为了捕捉用户对物品的个性化偏好,本文还建立了物品特定注意机制,以模拟目标物品与从用户历史行为中提取的上下文物品之间的依赖关系。在真实数据集上的实验结果验证了CGAT的有效性,并与最新的基于KG的推荐方法进行了比较。

成为VIP会员查看完整内容
0
59

题目: InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions

摘要: 现有的大多数知识图谱是不完整的,这个问题是可以通过基于已知事实推断缺失的链接来进行缓解的。目前一种流行的方法是通过生成实体和关系的低维嵌入,并使用它们进行推断。ConvE是最近提出的一种方法,它将卷积滤波器应用于实体和关系嵌入的 2D重构,以捕获它们之间的交互信息。然而,ConvE捕获的交互作用的量是有限的。在这篇文章中,我们分析了增加这些相互作用的数量如何影响链路预测性能,并利用我们的观察提出了InteractE。InteractE基于三个关键思想:特征排列、新颖的特征重塑和循环卷积。通过大量的实验,我们发现InteractE在FB15k-237上的性能优于最先进的卷积链路预测基线方法。此外,在FB15k-237、WN18RR和YAGO3-10数据集上,InteractE的MRR评分分别比ConvE高9%、7.5%和23%。结果验证了我们的假设,即增加特征交互有助于提高链接预测性能。

成为VIP会员查看完整内容
0
33

题目: TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation

摘要:

基于会话的推荐在许多网站中扮演着重要的角色,其目的是基于匿名会话来预测用户的行为。通过研究会话中项目的时间转换,已经出现了许多将会话建模为序列或图的研究。但是,这些方法将会话压缩成一个固定的向量表示,而不考虑要预测的目标项。由于目标项目的多样性和用户兴趣的不同,固定向量会限制推荐模型的表示能力。本文提出了一种新的目标注意图神经网络(TAGNN)模型,用于基于会话的推荐。在TAGNN中,目标感知注意力自适应地激发不同用户对不同目标的兴趣。学习兴趣表示向量随着目标项目的不同而变化,极大地提高了模型的表达能力。此外,TAGNN利用图神经网络的强大功能来捕捉会话中的丰富项转换。在真实数据集上进行的综合实验证明了它优于最先进的方法。

成为VIP会员查看完整内容
0
34

摘要

推荐系统是一种软件应用程序,它可以帮助用户在信息过载的情况下找到感兴趣的主题。当前的研究通常假设一个一次性的交互范式,其中用户偏好是根据过去历史观察到的行为来估计的,并且按照等级排序的推荐列表是用户交互的主要的且是单向的形式。对话推荐系统(CRS)采用了一种不同的方法,支持更丰富的交互。例如,这些交互可以帮助改进偏好激发过程,或者允许用户询问关于推荐的问题并给出反馈。对CRS的兴趣在过去几年里显著增加。这种发展主要是由于自然语言处理领域的重大进展,新的语音控制家庭助手的出现,以及聊天机器人技术的增加使用。在本文中,我们详细介绍了现有的对话推荐方法。我们将这些方法按不同的维度进行分类,例如,根据支持的用户意图或用户在后台使用的知识。此外,我们还讨论了技术方法,回顾了CRS的评估方法,并最终确定了一些在未来值得更多研究的差距。

介绍

推荐系统是人工智能在实践中最明显的成功案例之一。通常,这些系统的主要任务是为用户指出感兴趣的潜在主题,例如电子商务网站。因此,它们不仅可以在信息超载的情况下帮助用户,还可以对服务提供商的业务做出重大贡献。 在这些实际应用中,推荐是一个一次性的交互过程。通常,底层系统会随着时间的推移监视其用户的行为,然后在预定义的导航情况下(例如,当用户登录到服务时)提供一组定制的建议。尽管这种方法在各个领域都很常见,也很有用,但是它可能有一些潜在的限制。例如,在许多应用程序场景中,用户首选项无法从其过去的交互中可靠地估计出来。对于高介入的产品(例如,当推荐一款智能手机时),我们甚至可能完全没有过去的观察结果。此外,在一组建议中包含哪些内容可能与上下文高度相关,而且可能很难自动确定用户的当前情况或需求。最后,另一个假设通常是,当用户登录网站时,他们已经知道自己的偏好。然而,这未必是真的。例如,用户可能只在决策过程中确定他们的首选项,例如,当他们意识到选项的空间时。在某些情况下,他们也可能只在与推荐者的交互过程中了解这块内容和可用的选项。 对话推荐系统(CRS)是可以帮助解决这些的挑战中的许多这样的问题。一般来说,这种系统的总体思想是支持与用户进行面向任务的多回合对话。例如,在这样的对话中,系统可以引出用户当前的详细偏好,为主题推荐提供解释,或者处理用户对所提建议的反馈。 鉴于这类系统的巨大潜力,对CRS的研究已经有了一定的传统。早在20世纪70年代末,Rich就设想了一个电脑化的图书管理员,通过用自然语言互动地向用户提问有关他们的个性和偏好的问题,向他们提出阅读建议。除了基于自然语言处理(NLP)的接口外,近年来还提出了多种基于表单的用户接口。CRS中较早的基于这些接口的交互方法之一称为critiquing,它在1982年就被提出作为数据库领域的查询重新制定的一种方法。在critiquing方法中,用户很快会在对话中看到一个建议,然后可以对这些建议应用预先定义的评论。 基于表单的方法通常很有吸引力,因为用户可以使用的操作是预先定义的、明确的。然而,这样的对话也可能出现非自然的,用户可能在表达他们的偏好的方式上感到约束。另一方面,基于NLP的方法在很长一段时间内受到了现有的限制,例如在处理语音命令的上下文中。然而,近年来,语言技术取得了重大进展。因此,我们现在习惯于向智能手机和数字家庭助手发出语音命令,这些设备的识别精度已经达到了令人印象深刻的水平。与语音助手领域的这些发展相对应,我们注意到聊天机器人技术在最近几年的快速发展。聊天机器人,无论是简单的还是复杂的,通常也能处理自然语言,现在广泛应用于各种应用领域,例如,处理客户服务请求。 这些技术的进步导致在过去几年中对CRS的兴趣增加。然而,与以前的许多方法相比,我们注意到今天的技术建议更多地是基于机器学习技术,而不是遵循预先定义的对话路径,用于确定要向用户询问的下一个问题。然而,通常在语音助手和聊天机器人的功能与支持真正的对话推荐场景(如系统是语音控制的)所需的功能之间仍然存在差距。 本文从不同的角度对对话推荐系统的文献进行了综述。具体地说,我们将讨论(i)CRS的交互模式(第3节),(ii)CRS基于的知识和数据(第4节), 和(iii)CRS中典型的计算任务(第5节)。然后,我们讨论CRS的评估方法(第6节),最后展望未来的发展方向。

对话系统的特征描述

关于什么是CRS,文献中没有一个公认的定义。在这项工作中,我们使用以下定义。 CRS是一个软件系统,它支持用户通过多回合的对话来实现推荐相关的目标。

CRS的概念架构:在过去的二十年中,人们提出了各种CRS模型的技术途径。这些解决方案的技术体系结构的细节取决于系统的功能,例如,是否支持语音输入。尽管如此,仍然可以确定此类体系结构的许多典型概念组件,如图1所示。

CRS交互模式

最近对CRS的兴趣是由NLP的发展和技术进步(如宽带移动互联网接入和智能手机和家庭助手等新设备)推动的。然而,我们对文献的回顾表明,用户和CRS之间的交互既不局限于自然语言输入和输出,也不局限于特定的设备。

知识和背景数据

根据所选择的技术方法,CRS必须结合各种类型的知识和背景数据才能发挥作用。显然,像任何推荐人一样,必须有关于推荐项目的知识。同样,推荐的生成要么基于明确的知识,例如推荐规则或约束,要么基于在一些背景数据上训练的机器学习模型。然而,对话系统通常依赖于其他类型的知识,例如对话中的可能状态,或者用于训练机器学习模型的数据,如记录和转录的自然语言推荐对话。

计算任务

在讨论了推荐对话中可能的用户意图之后,我们现在将回顾CRS的常见的计算任务和技术方法。我们区分(i)主要任务,即那些与推荐过程更直接相关的,例如,计算推荐或确定下一个要问的问题,以及(ii)额外的支持任务。

介绍对话系统的评价

一般情况下,推荐系统可以通过不同的方法从不同的维度进行评价。首先,当系统在其使用上下文中进行评估时,即,当它被部署时,我们通常最感兴趣的是通过A/B测试来衡量系统是否达到了设计目标的具体关键性能指标(KPI),例如,增加的销售数字或用户参与度。其次,用户研究(实验室实验)通常调查与系统感知质量相关的问题。常见的质量维度是建议的适宜性、流程的可感知透明性或易用性。最后,计算性实验不需要用户参与评估,而是基于客观指标来评估质量,例如,通过测量建议的多样性或计算运行时间来预测测试集中的辅助评级的准确性。同样的质量维度和研究方法也适用于CRS。然而,在比较面向算法的研究和对话系统的研究时,我们发现评估的主要焦点往往是不同的。由于CRS是高度交互的系统,因此与人机交互有关的问题更常用于这些系统的研究。此外,在测量方法方面,CRS评估不仅关注任务的完成,即,如果建议是合适的或最终被接受的,但也涉及到与谈话本身的效率或质量有关的问题。

总结和未来工作

总的来说,我们的研究表明,CRS领域在过去几年中出现了一定程度的复兴,其中最新的方法依赖于机器学习技术,尤其是深度学习和基于自然语言的交互。考虑到语音控制系统(如智能音箱)最近的兴起,以及聊天机器人系统的日益普及,我们预计在未来几年将看到对CRS的更多研究。虽然在某些方面取得了重大进展,但仍有许多领域需要进行更多的研究。在接下来的文章中,我们将概述一些有待解决的问题以及该领域未来可能的发展方向。 第一个问题涉及模式的选择。尽管近年来,“自然语言”越来越流行,但究竟哪种情况下“自然语言”才是最好的选择,目前还不完全清楚。需要进行更多的研究来了解哪种模式适合当前给定的任务和情况,或者是否应该向用户提供替代模式。一个有趣的研究方向还在于解释用户的非言语交际行为。此外,完全基于语音的CRS也有一定的局限性,例如,在一个交互周期中提供完整的推荐集合。在这种情况下,用户可能希望对一组推荐进行总结,因为在大多数情况下,当CRS向用户推荐过多(例如多于两三个)选项时,这可能没有意义。

成为VIP会员查看完整内容
0
82

主题: Deep Learning on Knowledge Graph for Recommender System: A Survey

摘要: 最近的研究表明,知识图谱(KG)在提供有价值的外部知识以改进推荐系统(RS)方面是有效的。知识图谱能够编码连接两个对象和一个或多个相关属性的高阶关系。借助于新兴的GNN,可以从KG中提取对象特征和关系,这是成功推荐的一个重要因素。本文对基于GNN的知识感知深度推荐系统进行了综述。具体来说,我们讨论了最新的框架,重点是它们的核心组件,即图嵌入模块,以及它们如何解决实际的推荐问题,如可伸缩性、冷启动等。我们进一步总结了常用的基准数据集、评估指标以及开源代码。最后,我们对调查结果进行了总结,并提出了这一快速发展领域的潜在研究方向。

成为VIP会员查看完整内容
0
88

题目: A Survey on Knowledge Graph-Based Recommender Systems

摘要:

为了解决信息爆炸问题,提高用户在各种在线应用中的体验,人们开发了推荐系统来模拟用户的偏好。尽管人们已经为更个性化的推荐做了很多努力,但是推荐系统仍然面临着一些挑战,如数据稀疏和冷启动。近年来,以知识图为辅助信息的推荐生成引起了人们的极大兴趣。这种方法不仅可以缓解上述问题,使推荐更加准确,而且可以为推荐项目提供解释。本文对基于知识图的推荐系统进行了系统的研究。我们收集了最近在这一领域发表的论文,并从两个角度对其进行了总结。一方面,我们通过研究论文如何利用知识图进行精确和可解释的推荐来研究所提出的算法。另一方面,我们介绍了这些工作中使用的数据集。最后,提出了该领域的几个潜在研究方向。

成为VIP会员查看完整内容
0
102

题目

上下文感知推荐系统的图卷积机:Graph Convolution Machine for Context-aware Recommender System

关键字

图卷积,编码器与解码器,上下文感知,深度学习,推荐系统

简介

推荐的最新进展表明,可以通过在用户项目交互图上执行图卷积来学习更好的用户和项目表示形式。但是,这种发现主要限于协作过滤(CF)场景,在该场景中无法使用交互上下文。在这项工作中,我们将图卷积的优势扩展到了上下文感知推荐系统(CARS,代表了可以处理各种辅助信息的通用类型的模型)。我们提出了图卷积机(GCM),它是一个由以下组成的端到端框架:三个组件:编码器,图卷积(GC)层和解码器。编码器将用户,项目和上下文投影到嵌入向量中,然后将其传递到GC层,以利用上下文感知的图卷积在用户项图中对用户和项目嵌入进行细化。解码器通过考虑用户,项目和上下文嵌入之间的交互,提取经过精炼的嵌入以输出预测分数。我们对Yelp的三个真实数据集进行了实验,验证了GCM的有效性以及对CARS执行图形卷积的好处。

作者

Jiancan Wu,Xiangnan He,Xiang Wang,Qifan Wang,Weijian Chen,JianxunLian,Xing Xie,Yongdong Zhang来自中国科学技术大学

成为VIP会员查看完整内容
0
58

题目: Semantic search on text and knowledge bases

摘要: 本文全面综述了基于文本和知识库的语义搜索的广泛领域。简而言之,语义搜索就是“有意义的搜索”。这个“含义”可以指搜索过程的各个部分:理解查询(而不仅仅是在数据中找到其组件的匹配项),理解数据(而不仅仅是搜索这样的匹配),或者以一种适合有意义检索的方式表示知识。语义搜索是在各种不同的社区中研究的,对这个问题有各种不同的看法。在本次调查中,我们根据两个维度对这项工作进行分类:数据类型(文本、知识库、它们的组合)和搜索类型(关键字,结构化、自然的语言)。我们考虑所有九种组合。重点是基本技术、具体系统和基准。调查还考虑了高级问题:排序、索引、本体匹配和合并以及推理。它还简要地概述了有助于语义搜索的自然语言处理技术:词性标注、命名实体识别和消歧、句子分析和词向量。

下载链接: http://ad-publications.informatik.uni-freiburg.de/FNTIR_semanticsearch_BBH_2016.pdf

成为VIP会员查看完整内容
0
29
小贴士
相关VIP内容
专知会员服务
57+阅读 · 2020年8月24日
相关资讯
KDD2020推荐系统论文聚焦
机器学习与推荐算法
15+阅读 · 2020年6月28日
论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统
开放知识图谱
59+阅读 · 2019年8月27日
论文浅尝 | 基于图注意力的常识对话生成
开放知识图谱
5+阅读 · 2019年2月5日
论文浅尝 | 基于知识图的问答变分推理
开放知识图谱
4+阅读 · 2018年5月6日
论文浅尝 | Open world Knowledge Graph Completion
开放知识图谱
9+阅读 · 2018年1月30日
相关论文
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
74+阅读 · 2020年2月28日
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
12+阅读 · 2019年11月23日
Xiang Wang,Xiangnan He,Yixin Cao,Meng Liu,Tat-Seng Chua
35+阅读 · 2019年5月20日
Ikhlas Alhussien,Erik Cambria,Zhang NengSheng
3+阅读 · 2018年9月27日
RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
7+阅读 · 2018年8月7日
Qingyao Ai,Vahid Azizi,Xu Chen,Yongfeng Zhang
9+阅读 · 2018年5月9日
Besnik Fetahu
14+阅读 · 2018年4月20日
Sven Schmit,Carlos Riquelme
6+阅读 · 2018年3月28日
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
10+阅读 · 2018年3月9日
Huan Zhao,Quanming Yao,Yangqiu Song,James Kwok,Dik Lun Lee
10+阅读 · 2018年1月8日
Top