KECRS: Towards Knowledge-Enriched Conversational Recommendation System
原论文
1、Abstract
与以往CRS相比提出两种新的优化方式:
BOE loss:提供了一个额外的监督信号来引导CRS从人类的书面话语和知识中学习。
Infusion loss:词嵌入和实体嵌入更加拟合。
2、Introduction
2.1.以往CRS局限性:
例如以往的KBRD,KGSF都是将recommender提到的内容作为推荐内容。重心放在了条目预测任务,而不是推荐任务。导致条目被重复推荐,影响用户体验。
以前的方法产生的回复一般,为了生成多样化回复,引入了DBpedia、ConceptNet等外部知识。但现存的crs数据集和外部KG存在语义鸿沟。例如采用REDIAL+DBpedia子图的组合,在KG中除了电影实体,只有8%的实体出现在REDIAL里,同时回复中含有实体的概率为1/4,所以用以前的模型,很难给出新实体作为推荐实体。词嵌入和实体嵌入存在差异性,现存模型实体嵌入作为生成回复的额外特征,没有显示地为关系建模。
以前模型中出现的KG是不完整的,因为抽取的是子图,所以可能包含一些不相关的信息并丢失高阶邻居,这限制了它们对推荐和响应生成模块的潜在作用。
2.2 本论文方法及贡献
BOE loss:提供额外的监督信号,引导模型不仅能从训练数据中,而且能从推荐实体的邻居节点中获取具有丰富知识的回复。
Infusion loss:在词语和实体两大空间中,通过最小化距离来实现互通。
创建TMDKG!!!
3、KECRS模型架构
3.1 KG嵌入
RGCN
3.2 推荐模型
- 搜索utterance中的所有实体,找到后去图网络中取出embeddingH。
- 实体的所有嵌入组成矩阵经过SA,得到ce,ce与提及到的实体嵌入HI内积找出最相似实体以作为推荐条目。
- 损失函数:交叉熵。
3.3 对话模块
3.3.1 encoder
3.3.2 decoder
encoder+decoder是常规操作
3.3.3 实体选择
与上文类似
所有实体中在当前j step时的概率分布。
整句话结束时,每个实体出现的概率分布。
交叉熵损失函数来拟合所有一跳邻居的分布。
3.3.4 嵌入对齐
目的:让H和WEm中代表同一实体的嵌入分布距离更近。
(个人猜想最外层可能应该加上sigmoid)
用欧氏距离拟合指示函数。
将vocabulary embedding与entities embedding距离拉近,所以可以将选择的实体分布(BOE)直接加入总预测中。从而解决了回复单一的问题。而实际推荐的条目却没有用于生成回复。
4、实验结果对比
5、未来工作
- 再在此模型基础上再充分利用关键字。(其实KGSF就已经利用了关键字)
- 利用KG改进REDIAL数据集,从而增加推荐条目与回复的相关性。
KECRS: Towards Knowledge-Enriched Conversational Recommendation System相关推荐
- Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph论文笔记
原文章:Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph (ICDE ' ...
- 【KDD2020-Tutorial】自动推荐系统,Automated Recommendation System
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要5分钟 Follow小博主,每天更新前沿干货 随着推荐任务的日益多样化和推荐模型的日益复杂,开发出一套能够很好地适应新的推荐任务的推荐系统变得 ...
- PAT甲级1129 Recommendation System:[C++题解]统计前k个商品
文章目录 题目分析 题目来源 题目分析 来源:acwing 分析: 用变量k来计数每次输出前k个,k等于min(k,m),m为系统允许的最大推荐数. 用数组cnt统计每件商品的数量,top数组统计前k ...
- open source project for recommendation system
原文链接:http://blog.csdn.net/cserchen/article/details/14231153 目前互联网上所能找到的知名开源推荐系统(open source project ...
- 论文阅读笔记(1):Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation
Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation 原文链接:https://arxiv.org/pdf/1 ...
- 推荐系统——Converged Recommendation System Based on RNN and BP Neural Networks
论文描述: 随着电子商务系统.社交网络.音乐应用等在线消费平台的快速发展,大量用户的消费行为日志每天都在产生.同时,我们现在有很好的硬件环境和相应的大数据处理技术来处理这些日志,如:越来越成熟的并行计 ...
- #Paper Reading# The YouTube Video Recommendation System
论文题目: The YouTube Video Recommendation System 论文地址: https://dl.acm.org/citation.cfm?id=1864770 论文发表于 ...
- [Paper Reading] Towards Conversational Recommendation over Multi-Type Dialogs
[Paper Reading] Towards Conversational Recommendation over Multi-Type Dialogs 文章目录 [Paper Reading] T ...
- 【kg推荐->精读】Learning Intents behind Interactions with Knowledge Graph for Recommendation
KGIN Learning Intents behind Interactions with Knowledge Graph for Recommendation Abstract 基于GNN的端到端 ...
- Some thoughts on Recommendation System
Keep the recommendation system's recommendation function, but can I make my own decisions about what ...
最新文章
- 基于标准C语言的数字图像处理基本框架(转)
- 虫师python appium自动化测试书_Appium移动自动化测试(一)--安装Appium
- 预编译头文件来自编译器的早期版本_Debug
- PyQt5 笔记6 -- 对话框(QDialog)
- 合并两个有序数组Python解法
- 感知算法论文(十):Towards Universal Object Detection by Domain Attention(2019)
- promise之我见
- linux那些事之LRU(3)
- Pyston v2.0 发布,速度比 Python 快 20%!
- 什么工作经常出差_职场妈妈困扰: 经常出差, 工作孩子该怎么选择?
- html滑动验证图片,js插件实现图片滑动验证码
- 利用VBA操作OutLook批量发送工资条
- Linux命令大全(最详细)Linux操作系统上课笔记整理
- navicat 解析sql_navicat
- Linux常用命令(四)
- buu逆向刷题(三)
- 借助JavaCV实现android手机查看PC摄像头实时视频
- 取得目录和取得操作系统盘符以及获取系统盘可用空间
- 如何用阿里云服务器建立个人网站(针对新手)
- C++ 什么是多态,多态的用途