Multi-Type Context-Aware Conversational Recommender Systems via Mixture-of-Experts

要約

会話の推奨システムは、自然言語の会話を可能にし、より魅力的で効果的な推奨シナリオにつながります。
推奨システムの会話には通常、限られたコンテキスト情報が含まれているため、多くの既存の会話型推奨システムには、コンテキスト情報を豊かにするために外部ソースが組み込まれています。
ただし、さまざまな種類のコンテキスト情報を組み合わせる方法は依然として課題です。
このホワイトペーパーでは、MCCRSと呼ばれるマルチタイプのコンテキスト対応会話推奨システムを提案し、会話型推奨システムを改善するために、専門家の混合物を介してマルチタイプのコンテキスト情報を効果的に融合させます。
MCCRSには、構造化された知識グラフ、非構造化された会話履歴、非構造化されたアイテムレビューなど、構造化された情報と構造化されていない情報の両方が組み込まれています。
それは数人の専門家で構成されており、各専門家は特定のドメインに特化しています（つまり、特定のコンテキスト情報の1つ）。
その後、複数の専門家がチェアボットによって調整され、最終結果が生成されます。
提案されているMCCRSモデルは、さまざまなコンテキスト情報を利用し、さまざまな専門家の専門化に続いてチェアボットが続き、単一のコンテキスト情報でモデルボトルネックを破ります。
実験結果は、提案されたMCCRS法が既存のベースラインと比較して大幅に高いパフォーマンスを達成することを示しています。

要約(オリジナル)

Conversational recommender systems enable natural language conversations and thus lead to a more engaging and effective recommendation scenario. As the conversations for recommender systems usually contain limited contextual information, many existing conversational recommender systems incorporate external sources to enrich the contextual information. However, how to combine different types of contextual information is still a challenge. In this paper, we propose a multi-type context-aware conversational recommender system, called MCCRS, effectively fusing multi-type contextual information via mixture-of-experts to improve conversational recommender systems. MCCRS incorporates both structured information and unstructured information, including the structured knowledge graph, unstructured conversation history, and unstructured item reviews. It consists of several experts, with each expert specialized in a particular domain (i.e., one specific contextual information). Multiple experts are then coordinated by a ChairBot to generate the final results. Our proposed MCCRS model takes advantage of different contextual information and the specialization of different experts followed by a ChairBot breaks the model bottleneck on a single contextual information. Experimental results demonstrate that our proposed MCCRS method achieves significantly higher performance compared to existing baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google