Human conversations of recommendation naturally involve the shift of interests which can align the recommendation actions and conversation process to make accurate recommendations with rich explanations. However, existing conversational recommendation systems (CRS) ignore the advantage of user interest shift in connecting recommendation and conversation, which leads to an ineffective loose coupling structure of CRS. To address this issue, by modeling the recommendation actions as recommendation paths in a knowledge graph (KG), we propose DICR (Dual Imitation for Conversational Recommendation), which designs a dual imitation to explicitly align the recommendation paths and user interest shift paths in a recommendation module and a conversation module, respectively. By exchanging alignment signals, DICR achieves bidirectional promotion between recommendation and conversation modules and generates high-quality responses with accurate recommendations and coherent explanations. Experiments demonstrate that DICR outperforms the state-of-the-art models on recommendation and conversation performance with automatic, human, and novel explainability metrics.


翻译:建议中的人类对话自然涉及利益转移,这种利益转移可以使建议行动和对话过程与建议提出详细解释的准确建议;然而,现有的对话建议系统忽视了用户在将建议和对话联系起来方面的利益转移的优势,从而导致建议和对话的松散结构无效。为了解决这一问题,我们提议通过将建议行动作为建议路径在知识图(KG)中建模,将建议行动建模为建议路径,从而在对话建议中设计一种双重模仿,分别将建议路径和用户利益转移路径与建议模块和对话模块明确统一起来。通过交换协调信号,投资、投资、投资、投资、投资、投资、投资、投资、投资、投资促进在建议和对话模块之间实现双向促进,并产生含有准确建议和连贯解释的高质量回应。实验表明,投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资、投资

0
下载
关闭预览

相关内容

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
15+阅读 · 2021年6月27日
Arxiv
20+阅读 · 2019年11月23日
Arxiv
23+阅读 · 2018年8月3日
Arxiv
14+阅读 · 2018年4月18日
VIP会员
相关资讯
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员