Multi-grained Hypergraph Interest Modeling for Conversational Recommendation

要約

会話型レコメンダー システム (CRS) は、自然言語による複数回の対話を通じてユーザーと対話し、ユーザーの瞬時の情報ニーズに応じて高品質の推奨事項を提供することを目的としています。
効果的な CRS を開発するために多大な努力が払われてきましたが、そのほとんどは依然として現在の対話からのコンテキスト情報に焦点を当てており、通常はデータ不足の問題に悩まされています。
したがって、過去の対話データを活用して、現在の対話セッションの限られたコンテキストを充実させることを検討します。
この論文では、さまざまな視点から複雑な履歴データの下にあるユーザーの関心を捉えるための、新しいマルチグレイン ハイパーグラフ関心モデリング アプローチを提案します。
中心的なアイデアとして、歴史対話の根底にある複雑な意味関係を表現するためにハイパーグラフを使用します。
私たちのアプローチでは、まずハイパーグラフ構造を採用してユーザーの過去の対話セッションをモデル化し、粗粒度のセッションレベルの関係を捉えるセッションベースのハイパーグラフを形成します。
次に、データ不足の問題を軽減するために、外部ナレッジ グラフを使用し、きめ細かいエンティティ レベルのセマンティクスを考慮して知識ベースのハイパーグラフを構築します。
さらに、2 種類のハイパーグラフに対してマルチグレイン ハイパーグラフ畳み込みを実行し、強化された表現を利用して興味を意識した CRS を開発します。
ReDial と TG-ReDial という 2 つのベンチマークに関する広範な実験により、推奨タスクと会話タスクの両方に対するアプローチの有効性が検証されました。
コードは https://github.com/RUCAIBox/MHIM から入手できます。

要約(オリジナル)

Conversational recommender system (CRS) interacts with users through multi-turn dialogues in natural language, which aims to provide high-quality recommendations for user’s instant information need. Although great efforts have been made to develop effective CRS, most of them still focus on the contextual information from the current dialogue, usually suffering from the data scarcity issue. Therefore, we consider leveraging historical dialogue data to enrich the limited contexts of the current dialogue session. In this paper, we propose a novel multi-grained hypergraph interest modeling approach to capture user interest beneath intricate historical data from different perspectives. As the core idea, we employ hypergraph to represent complicated semantic relations underlying historical dialogues. In our approach, we first employ the hypergraph structure to model users’ historical dialogue sessions and form a session-based hypergraph, which captures coarse-grained, session-level relations. Second, to alleviate the issue of data scarcity, we use an external knowledge graph and construct a knowledge-based hypergraph considering fine-grained, entity-level semantics. We further conduct multi-grained hypergraph convolution on the two kinds of hypergraphs, and utilize the enhanced representations to develop interest-aware CRS. Extensive experiments on two benchmarks ReDial and TG-ReDial validate the effectiveness of our approach on both recommendation and conversation tasks. Code is available at: https://github.com/RUCAIBox/MHIM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google