尚琛展, 赵 鑫

1 华中科技大学计算机科学与技术学院 武汉 中国 430074

2 中国人民大学高瓴人工智能学院 北京 中国 100872

1 引言

近年来, 推荐系统在社交[1]、电商[2]、新闻[3]等领域得到了越来越广泛的应用, 充分显示了其商业潜力。在传统推荐系统中[4], 推荐任务的实现高度依赖于用户与物品的历史交互记录, 例如电商网站通过用户的点击记录与购买记录来向用户推送其可能感兴趣的商品。然而, 推荐系统却难以从这种隐式反馈中挖掘用户的真实偏好, 使得系统性能的提升受到限制。针对该问题, 对话推荐系统[5-7]能够通过使用自然语言与用户进行多轮对话, 逐步深入挖掘其个性化偏好, 从而提供高质量的推荐结果。相比于传统推荐系统, 用户在与对话推荐系统进行交互时,提供了及时的、显式的反馈, 这更精确地反映了用户的真实需求, 使推荐系统的性能有更大的提升空间。

在设计上, 对话推荐系统由推荐模块与对话模块组成[8]。一方面, 对话模块能够理解用户意图, 向推荐模块提供有关用户偏好的信息, 并根据其反馈生成对用户的回复。另一方面, 推荐模块根据对话模块提供的信息, 在物品数据库中搜寻匹配项, 从而更高质量地完成推荐任务。表1 所示为电影推荐场景下, 对话推荐系统与用户交互的示例。系统在与用户交流的过程中关注到其喜欢的电影类型, 随后在回复中给用户提供推荐影片, 当用户接受了系统所提供的建议时, 整个工作流程结束。……