Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation

要約

会話型推薦システム(Conversational Recommendender System: CRS)は、対話システムと推薦システムの技術を組み合わせたシステムであり、最近ますます注目を集めている。従来の推薦システムとは対照的に、CRSは対話（すなわち会話）を通じてユーザの嗜好をよりよく学習し、推薦性能をさらに向上させる。しかし、CRSに関する既存の研究は、属性、ユーザ、アイテム間の関係を効果的に扱うことを無視しており、不適切な質問や不正確な推薦につながる可能性がある。このような観点から、我々は知識グラフに基づく会話型推薦システム（KG-CRSと呼ぶ）を提案する。具体的には、まずユーザ-項目グラフと項目-属性グラフを動的グラフに統合する。次に、グラフ上の近傍を通る伝搬も考慮することで、ユーザ、アイテム、属性の有益な埋め込みを学習する。3つの実データセットを用いた広範な実験により、推薦タスクと会話タスクの両方において、本手法が最先端のアプローチよりも優れていることを検証する。

要約(オリジナル)

Conversational recommender system (CRS), which combines the techniques of dialogue system and recommender system, has obtained increasing interest recently. In contrast to traditional recommender system, it learns the user preference better through interactions (i.e. conversations), and then further boosts the recommendation performance. However, existing studies on CRS ignore to address the relationship among attributes, users, and items effectively, which might lead to inappropriate questions and inaccurate recommendations. In this view, we propose a knowledge graph based conversational recommender system (referred as KG-CRS). Specifically, we first integrate the user-item graph and item-attribute graph into a dynamic graph, i.e., dynamically changing during the dialogue process by removing negative items or attributes. We then learn informative embedding of users, items, and attributes by also considering propagation through neighbors on the graph. Extensive experiments on three real datasets validate the superiority of our method over the state-of-the-art approaches in terms of both the recommendation and conversation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL