接收会议:ICDE2021 (International Conference on Data Engineering)

论文链接:https://arxiv.org/abs/2104.14899

欢迎转载,转载请注明出处

在电子商务平台中,会话推荐系统(Conversational Recommender Systems, CRSs)通常用于改善用户购物体验。很多网店都有客服聊天机器人,能够通过多轮会话交互来识别用户的意图,然后向他们推荐符合其需求的商品。

传统的点击率预测模型通常用于对候选项进行排序,但大多数会话推荐系统仍然需要解决样本较少和数据稀疏的问题。这篇文章提出了知识增强的深度交叉网络(Knowledge-enhanced Deep Cross Network, K-DCN),能够通过预训练和微调两个步骤,构建会话推荐系统预测模型并推荐合适的商品。该模型引入了基于预训练会话知识图谱的用户状态和对话交互表示,使会话推荐系统预测模型能够感知用户的当前状态以及对话和项目之间的关系,并通过深度交叉网络融合多种信息提供推荐商品。该模型在阿里巴巴真实业务场景中得到了验证。

成为VIP会员查看完整内容
0
16

相关内容

推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

数据稀疏和冷启动是当前推荐系统面临的两大挑战. 以知识图谱为表现形式的附加信息能够在某种程度上缓解数据稀疏和冷启动带来的负面影响, 进而提高推荐的准确度. 本文综述了最近提出的应用知识图谱的推荐方法和系统, 并依据知识图谱来源与构建方法、推荐系统利用知识图谱的方式, 提出了应用知识图谱的推荐方法和系统的分类框架, 进一步分析了本领域的研究难点. 本文还给出了文献中常用的数据集. 最后讨论了未来有价值的研究方向.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200128

推荐系统推荐系统是一种向目标用户建议可能感兴趣物品的软件工具. 随着网络与现实信息的爆炸式增长, 越来越多的在线服务商为用户提供商品、音乐、电影等(以下统称为物品)的推荐服务. 推荐系统能够满足用户的个性化需求, 为在线服务商带来巨大商业价值. 同时, 推荐方法与系统的研究促进了偏好挖掘、大数据处理、决策支持等领域的相关理论和实践的飞速发展, 其学术价值也引起了广泛的关注.

推荐系统面临的重要挑战主要是数据稀疏性问题和冷启动问题. 数据稀疏问题指的是相对于数量庞大的用户和物品, 仅有少量的物品获得了用户的评价或者购买, 难以据此获得相似的用户或相似的物品, 使得传统推荐方法失效了. 冷启动问题指的是系统由于并不知道新加入用户的历史行为, 无法给他们推荐物品, 同样新加入的物品也由于没有被用户评价或购买过而无法被针对性的推荐.

推荐系统中通常利用附加信息来解决上述问题, 以提高性能. 附加信息(一般也称上下文信息)分为显式信息和隐式信息[1]. 显式信息是通过诸如物理设备感知、用户问询、用户主动设定等方式获取的与用户、物品相关联的上下文信息. 隐式信息即利用已有数据或周围环境间接获取的一些上下文信息, 例如可根据用户与系统的交互日志获取时间上下文信息.

近年来, 利用以知识图谱为表示形式的附加信息的推荐方法受到了学者们的关注. 知识图谱最初用于提升搜索系统的性能[2], 刻画了海量实体之间的多种关系, 具有网状结构, 能够用于推荐系统中来增强用户、物品之间联系的认知与解释, 从而提高推荐准确度. 本文综述了2015年~2019年发表在DLRS、RecSys、KDD、CIKM、NIPS、TIST、UMAP、SIGIR等会议和期刊中的利用知识图谱的推荐方法的文献, 共23篇. 在利用知识图谱的推荐系统中, 通常首先将收集到的用户信息、物品信息、在利用知识图谱的推荐系统中, 通常首先将收集到的用户信息、物品信息、用户历史行为等数据或者一些相关的外部数据表示成知识图谱的形式. 然后, 设计推荐算法, 利用知识图谱生成推荐. 此类推荐系统通常包含知识图谱构建和利用知识图谱产生推荐两个环节. 本文根据这两个环节中构建知识图谱数据的不同来源, 以及推荐方法中利用知识图谱信息的不同形式提出了分类框架, 并据此对相关文献进行了分类综述, 详情请参看本文第三章. 与本文最为相关是文献[3]. 该文献综述了2009年~2017年16篇利用知识图谱的推荐方法的文献. 本文在综述的文章数量上超过了文献[3]. 此外, 本文提出文献分类框架能够更好地覆盖新提出的方法.

本文第一章介绍了利用知识图谱的推荐方法的相关背景知识; 第二章对利用知识图谱的推荐方法文献进行分类与综述; 第三章整理了目前常用的推荐系统数据集和知识图谱数据集; 第四章、第五章分别讨论了应用知识图谱的推荐系统的研究难点与发展前景; 最后, 在第六章中对全文进行了总结.

成为VIP会员查看完整内容
1
61

特定领域的知识库(KB)从各种数据源精心整理而来,为专业人员提供了宝贵的参阅咨询。由于自然语言理解和人工智能的最新进展,会话系统使这些KBs很容易被专业人员访问,并且越来越受欢迎。尽管在开放域应用程序中越来越多地使用各种会话系统,但特定于域的会话系统的需求是完全不同的,而且具有挑战性。在本文中,我们针对特定领域的KBs提出了一个基于本体的对话系统。特别是,我们利用领域本体中固有的领域知识来识别用户意图,并利用相应的实体来引导对话空间。我们结合了来自领域专家的反馈来进一步细化这些模式,并使用它们为会话模型生成训练样本,减轻了会话设计人员的沉重负担。我们已经将我们的创新集成到一个对话代理中,该代理关注医疗保健,这是IBM Micromedex产品的一个特性。

https://dl.acm.org/doi/abs/10.1145/3318464.3386139

成为VIP会员查看完整内容
0
21

论文标题: Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion

论文来源: ACM SIGKDD 2020

论文链接:https://www.zhuanzhi.ai/paper/2d6c4333dfba038f1b318a37f5bc035d

会话推荐系统(conversation recommender system, CRS)旨在通过交互式的会话给用户推荐高质量的商品。通常CRS由寻求商品的user和推荐商品的system组成,通过交互式的会话,user实时表达自己的偏好,system理解user的意图并推荐商品。目前会话推荐系统有两个问题需要解决。首先,对话数据本身缺少足够的上下文信息,无法准确地理解用户的偏好(传统的推荐任务会有历史交互序列或者用户属性,但是该场景下只有对话的记录)。其次,自然语言的表示和商品级的用户偏好之间存在语义鸿沟(在user的话语“Can you recommend me a scary movie like Jaws”中,用户偏好反映在单词”scary“和电影实体”Jaws“上,但这两类信息天然存在语义的差异)。

为了解决上述问题,本文提出了模型KG-based Semantic Fusion approach(KGSF),通过互信息最大化的多知识图谱语义融合技术,不仅打通了对话中不同类型信息的语义鸿沟,同时针对性得设计了下游的模型,以充分发挥两个知识图谱的作用,在会话推荐系统的两个任务上均取得了state-of-the-art的效果。

成为VIP会员查看完整内容
0
25

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
52

元学习的研究越来越受到学者们的重视,从最初在图像领域的研究逐渐拓展到其他领域,目前推荐系统领域也出现了相关的研究问题,本文介绍了5篇基于元学习的推荐系统相关论文,包括用户冷启动推荐、项目冷启动推荐等。

  1. MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation

本文提出了一种新的推荐系统,解决了基于少量样本物品来估计用户偏好的冷启动问题。为了确定用户在冷启动状态下的偏好,现有的推荐系统,如Netflix,在启动初向用户提供物品选择,我们称这些物品为候选集。然后根据用户选择的物品做出推荐。以往的推荐研究有两个局限性:(1) 只有少量物品交互行为的用户推荐效果不佳,(2) 候选集合不足,无法识别用户偏好。为了克服这两个限制,我们提出了一种基于元学习的推荐系统MeLU。从元学习中,MeLU可以通过几个例子快速地应用于新任务,通过几个消费物品来估计新用户的偏好。此外,我们提供了一个候选集合选择策略,以确定自定义偏好估计的区分项目。我们用两个基准数据集对MeLU进行了验证,与两个对比模型相比,该模型的平均绝对误差至少降低了5.92%。我们还进行了用户研究实验来验证选择策略的有效性。

  1. Meta-Learning for User Cold-Start Recommendation 冷启动问题是对实际推荐系统的长期挑战。大多数现有的推荐算法依赖于大量的观测数据,对于很少交互的推荐场景来说是脆弱的。本文用少样本学习和元学习来解决这些问题。我们的方法是基于这样一种见解,即从几个例子中有一个很好的泛化,依赖于一个通用的模型初始化和一个有效的策略来使这个模型适应新出现的任务。为了实现这一点,我们将场景指定的学习与模型无关的序列元学习结合起来,并将它们统一到一个集成的端到端框架中,即场景指定的序列元学习者(或s^2 Meta)。我们的元学习器通过聚合来自各种预测任务的上下文信息来生成一个通用的初始模型,同时通过利用学习到的知识来有效地适应特定的任务。在各种现实世界数据集上的实验表明,我们提出的模型可以在在线推荐任务中获得对冷启动问题的最好效果。

  2. Sequential Scenario-Specific Meta Learner for Online Recommendation

冷启动问题是对实际推荐系统的长期挑战。大多数现有的推荐算法依赖于大量的观测数据,对于很少交互的推荐场景来说是脆弱的。本文用少样本学习和元学习来解决这些问题。我们的方法是基于这样一种见解,即从几个例子中有一个很好的泛化,依赖于一个通用的模型初始化和一个有效的策略来使这个模型适应新出现的任务。为了实现这一点,我们将场景指定的学习与模型无关的序列元学习结合起来,并将它们统一到一个集成的端到端框架中,即场景指定的序列元学习者(或s^2 Meta)。我们的元学习器通过聚合来自各种预测任务的上下文信息来生成一个通用的初始模型,同时通过利用学习到的知识来有效地适应特定的任务。在各种现实世界数据集上的实验表明,我们提出的模型可以在在线推荐任务中获得对冷启动问题的最好效果。

  1. A Meta-Learning Perspective on Cold-Start Recommendations for Items 矩阵分解(M F)是最流行的项目(item)推荐技术之一,但目前存在严重的冷启动问题。项目冷启动问题在一些持续输出项目的平台中显得特别尖锐(比如Tweet推荐)。在本文中,我们提出了一种元学习策略,以解决新项目不断产生时的项目冷启动问题。我们提出了两种深度神经网络体系结构,实现了我们的元学习策略。第一个体系结构学习线性分类器,其权重由项目历史决定,而第二个体系结构学习一个神经网络。我们评估了我们在Tweet推荐的现实问题上的效果,实验证明了我们提出的算法大大超过了MF基线方法。

  2. One-at-a-time: A Meta-Learning Recommender-System for Recommendation-Algorithm Selection on Micro Level

推荐算法的有效性通常用评价指标来评估,如均方根误差、F1或点击率CTR,在整个数据集上计算。最好的算法通常是基于这些总体度量来选择的,然而,对于所有用户、项目和上下文来说并没有一个单独的最佳算法。因此,基于总体评价结果选择单一算法并不是最优的。在本文中,我们提出了一种基于元学习的推荐方法,其目的是为每个用户-项目对选择最佳算法。我们使用MovieLens 100K和1m数据集来评估我们的方法。我们的方法(RMSE,100K:0.973;1M:0.908)没有优于单个的最佳算法SVD++(RMSE,100k:0.942;1M:0.887)。我们还探索了元学习者之间的区别,他们在每个实例(微级别),每个数据子集(中级)和每个数据集(全局级别)上进行操作。评估表明,与使用的总体最佳算法相比,一个假设完美的微级元学习器将提高RMSE 25.5%。

成为VIP会员查看完整内容
0
59
小贴士
相关VIP内容
专知会员服务
22+阅读 · 6月20日
专知会员服务
25+阅读 · 2月8日
专知会员服务
61+阅读 · 2020年11月23日
专知会员服务
18+阅读 · 2020年10月21日
专知会员服务
21+阅读 · 2020年9月25日
专知会员服务
25+阅读 · 2020年9月7日
专知会员服务
59+阅读 · 2020年1月20日
相关论文
Xuesi Wang,Guangda Huzhang,Qianying Lin,Qing Da,Dan Shen
0+阅读 · 7月19日
Chongming Gao,Wenqiang Lei,Xiangnan He,Maarten de Rijke,Tat-Seng Chua
12+阅读 · 1月23日
Exploiting Diverse Characteristics and Adversarial Ambivalence for Domain Adaptive Segmentation
Bowen Cai,Huan Fu,Rongfei Jia,Binqiang Zhao,Hua Li,Yinghui Xu
9+阅读 · 2020年12月10日
Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion
Kun Zhou,Wayne Xin Zhao,Shuqing Bian,Yuanhang Zhou,Ji-Rong Wen,Jingsong Yu
8+阅读 · 2020年7月8日
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
78+阅读 · 2020年2月28日
Le Wu,Peijie Sun,Yanjie Fu,Richang Hong,Xiting Wang,Meng Wang
3+阅读 · 2019年4月20日
Ke Sun,Zhanxing Zhu,Zhouchen Lin
5+阅读 · 2019年2月28日
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
7+阅读 · 2019年2月19日
Graph-Based Recommendation System
Kaige Yang,Laura Toni
3+阅读 · 2018年7月31日
Georgios Alexandridis,Georgios Siolas,Andreas Stafylopatis
8+阅读 · 2018年1月10日
Top