【KDD 2020】基于互信息最大化的多知识图谱语义融合

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。