INSPIRED2: An Improved Dataset for Sociable Conversational Recommendation
University of Klagenfurt(克拉根福大学)
能够以自然语言与用户交互的会话式推荐系统(CRS)通常利用先前在成对的人的帮助下收集的推荐对话,其中一个人扮演搜索者的角色,另一个人扮演推荐者。这些推荐对话框包括指示用户首选项的项目和实体。为了精确地模拟搜索者的偏好并一致地响应,CRS通常依赖于项目和实体注释。这种数据集的一个最近的例子是INSPIRED,它由用于社交会话推荐的推荐对话框组成,其中使用自动关键字或模式匹配技术对项目和实体进行注释。不幸的是,对该数据集的分析显示,存在大量项目和实体被错误注释或注释根本缺失的情况。这就引出了一个问题,即自动注释技术在多大程度上是有效的。此外,重要的是研究注释质量对CRS的整体有效性的影响,即系统响应的质量。为了研究这些方面,我们手动修复了INSPIRED中的注释。然后,我们使用两个版本的数据集评估了几个基准CRS的性能。我们的分析表明,数据集的改进版本,即,INSPIRED 2帮助提高了几个基准CRS的性能,强调了数据质量对于端到端学习和基于检索的会话推荐方法的重要性。我们在www.example.com上公开发布了我们改进的数据集(INSPIRED 2)。
2022-09-07 cs.AI cs.CL cs.IR
Towards Knowledge-Based Recommender Dialog System
Tsinghua University(清华大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
在本文中,我们提出了一种新的端到端的框架称为KBRD,它代表基于知识的推荐对话系统。它集成了推荐系统和对话生成系统。对话系统可以通过引入关于用户偏好的基于知识的信息来增强推荐系统的性能,并且推荐系统可以通过提供解释感知的词汇偏差来改善对话生成系统的性能。实验结果表明,我们提出的模型具有显着的优势,在评估的对话生成和推荐的基线。一系列的分析表明,这两个系统可以带来相互的好处,和引入的知识有助于他们的性能。
2019-09-03 cs.CL cs.IR cs.LG
Towards Deep Conversational Recommendations
Ecole Polytechnique de Montréal(蒙特利尔综合理工学院);Element AI(元素人工智能公司);Microsoft Research Montreal(微软研究院蒙特利尔分院);Université de Montréal(蒙特利尔大学);Mila(米拉);HEC Montréal(蒙特利尔高等商学院)
人们对使用神经网络和深度学习技术来创建对话系统的兴趣越来越大。会话推荐是一种有趣的设置,用于科学探索与自然语言的对话,因为相关的话语涉及目标驱动的对话,通常会自然地转换为更自由形式的聊天。本文提供了两个贡献。首先,到目前为止,还没有公开的大规模数据集,包括围绕建议的真实对话。为了解决这个问题并促进我们在这里的探索,我们收集了ReDial,这是一个由超过10,000个围绕提供电影推荐主题的对话组成的数据集。我们将这些数据提供给社区进行进一步的研究。其次,我们使用这个数据集来探索会话推荐的多个方面。特别是,我们探索新的神经架构,机制和方法,适合组成会话式推荐系统。我们的数据集使我们能够系统地探测模型子组件,解决整个问题领域的不同部分,从情感分析和冷启动推荐生成到自然语言如何在现实世界中使用的详细方面。我们将这些子组件组合成一个完整的对话系统,并检查其行为。
2019-03-04 cs.CL cs.IR cs.LG
AffectON: Incorporating Affect Into Dialog Generation
Harvard University(哈佛大学);Koç University(科奇大学)
自然语言具有丰富的表达能力,是人类情感交流的重要工具。同样的语言调查(例如,“你是谁?可以根据会话伙伴的情感状态和会话的上下文而引起具有不同影响的响应。然而,大多数对话系统不认为影响作为反应生成的组成方面。在本文中,我们介绍了AffectON,在推理过程中产生情感反应的方法。为了在目标情感中生成语言,我们的方法利用了概率语言模型和情感空间。AffectON是语言模型不可知的,因为它可以与由任何语言模型生成的概率一起工作(例如,序列到序列模型、神经语言模型、n-gram)。因此,它可以用于情感对话和情感语言生成。我们尝试了情感对话生成,并客观和主观地评估生成的文本。对于评价的主观部分,我们设计了一个自定义的用户界面进行评级,并为此类界面的设计提供了建议。主观和客观的结果都表明,我们的方法是成功的,在句法连贯性的牺牲很小,在拉向目标的影响所产生的语言。
2020-12-12 cs.CL
DialogStudio: Towards Richest and Most Diverse Unified Dataset Collection for Conversational AI
Salesforce AI;Columbia University(哥伦比亚大学)
DialogStudio构建了最大且最多样的统一对话数据集集合,覆盖多种对话任务,并通过许可证识别和指令感知微调,在零样本和少样本实验中展现优越性能。
2024-02-05 cs.AI cs.CL
SAPIENT: Mastering Multi-turn Conversational Recommendation with Strategic Planning and Monte Carlo Tree Search
Department of Computer Science and Engineering, The Ohio State University, USA(计算机科学与工程系,俄亥俄州立大学);Department of Biomedical Informatics, The Ohio State University, USA(生物医学信息学系,俄亥俄州立大学);Translational Data Analytics Institute, The Ohio State University, USA(转化数据分析研究所,俄亥俄州立大学)
SAPIENT框架通过蒙特卡洛树搜索规划对话并自训练对话智能体,在多轮对话推荐中超越现有最先进方法。
2025-05-08 cs.CL
Conversational Recommendation System with Unsupervised Learning
University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校);Rulai Inc.(Rulai公司)
我们将演示一个会话式产品推荐代理。这个系统展示了我们如何将个性化推荐系统的研究与对话系统的研究相结合来构建一个虚拟销售代理。基于我们开发的新深度学习技术,虚拟代理能够学习如何与用户交互,如何回答用户问题,下一个问题是什么,以及在与人类用户聊天时推荐什么。通常,一个特定领域的下降会话代理需要成千上万的手工标记的会话数据或手写规则。这是为新域启动会话代理时的主要障碍。我们将探索和演示学习解决方案的有效性,即使没有手写的规则或手工标记的训练数据。
2016-09-22 cs.CL cs.IR cs.LG
Metaphorical User Simulators for Evaluating Task-oriented Dialogue Systems
Shandong University(山东大学);Bloomberg(彭博);University of Amsterdam(阿姆斯特丹大学)
本文提出模拟用户类比思维的隐喻式用户模拟器及基于测试器的变体生成框架,用于端到端任务导向对话系统评估,并在三个数据集上验证其更贴近人工评估。
2023-11-02 cs.CL cs.IR
Actionable Conversational Quality Indicators for Improving Task-Oriented Dialog Systems
LivePerson Inc.(LivePerson公司)
本文提出可操作会话质量指标(ACQIs),用于识别和推荐任务型对话系统的改进点,并在商业及公开数据集上验证,预测模型达79%加权F1,可减少81%的改进行动范围。
2021-09-22 cs.AI cs.CL
RecMind: Japanese Movie Recommendation Dialogue with Seeker's Internal State
Kyoto University(京都大学);National Institute of Informatics(情报信息研究所)
本文构建了带有实体级内部状态标注的日语电影推荐对话数据集RecMind,发现寻求者不了解但感兴趣的实体有助于推荐成功,并提出利用思维链提示显式建模内部状态的响应生成框架,在一致性和推荐成功率上优于基线。
2024-02-21 cs.CL
Deep Conversational Recommender in Travel
Tsinghua University(清华大学);National University of Singapore(新加坡国立大学)
当前往外国旅行时,我们经常迫切需要一个智能会话代理,为我们的各种查询提供即时和信息性的响应。然而,建立这样一个旅行社是不平凡的。首先,旅行自然涉及几个子任务,如酒店预订,餐厅推荐和出租车预订等,这就需要全局主题控制。其次,代理应考虑各种限制,如价格或距离由用户推荐一个合适的地点。在本文中,我们提出了一个深度会话推荐(DCR),并应用于旅游。它使用神经潜在主题组件增强了序列到序列(seq2seq)模型,以更好地指导响应生成并使训练更容易。为了考虑场地推荐的各种约束,我们利用基于图卷积网络(GCN)的方法来捕获不同场地之间的关系以及场地和对话上下文之间的匹配。对于响应生成,我们结合了基于主题的组件与指针网络的想法,这使我们能够有效地将推荐结果。我们进行了广泛的评估多轮任务导向的对话数据集在旅游领域和结果表明,我们的方法实现了优越的性能相比,广泛的基线。
2019-06-25 cs.AI cs.CL cs.IR
Towards Conversational Recommendation over Multi-Type Dialogs
Harbin Institute of Technology(哈尔滨工业大学);Baidu Inc.(百度公司)
我们提出了一个新的任务,在多类型的对话中进行会话推荐,其中机器人可以主动和自然地从非推荐对话(例如,QA)到推荐对话框,考虑用户的兴趣和反馈。为了便于研究这个任务,我们创建了一个人对人的中文对话数据集\emph{DuRecDial}(约10k对话,156k话语),其中包含多个顺序的对话,每对推荐搜索者(用户)和推荐者(机器人)。在每个对话中,推荐器主动引导多类型对话接近推荐目标,然后进行具有丰富交互行为的多个推荐。这个数据集使我们能够系统地研究整个问题的不同部分,例如,如何自然地引导对话,如何与用户交互以获得推荐。最后,我们建立了DuRecDial的基线结果,为未来的研究。数据集和代码可在https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/Research/ACL2020-DuRecDial上公开获取。
2020-05-22 cs.AI cs.CL
DialMed: A Dataset for Dialogue-based Medication Recommendation
Zhejiang University(浙江大学);University of Technology Sydney(悉尼科技大学)
药物推荐是智能医疗系统的关键任务。以前的研究主要推荐使用电子健康记录(EHR)的药物。然而,在电子病历中,医生和患者之间的交互的一些细节可能被忽略或省略,这对于自动药物推荐是必不可少的。因此,我们首次尝试通过医生和患者之间的对话来推荐药物。在这项工作中,我们构建了DIALMED,这是第一个基于医疗对话的药物推荐任务的高质量数据集。它包含11,996个医学对话,涉及3个部门的16种常见疾病和70种相应的常见药物。提出了一种对话结构和疾病知识感知网络(DDN),设计了QA对话图机制对对话结构进行建模,并利用知识图谱引入外部疾病知识。大量的实验结果表明,该方法是一个很有前途的解决方案,推荐药物与医疗对话。数据集和代码可在https://github.com/f-window/DialMed上获得。
2022-09-15 cs.AI cs.CL
CR-Walker: Tree-Structured Graph Reasoning and Dialog Acts for Conversational Recommendation
Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团)
会话式推荐系统(CRS)通过会话式交互探索用户的偏好,从而提供合适的推荐,这一研究受到了越来越多的关注。然而,在现有CRS中仍然缺乏以下能力:(1)遍历背景知识上的多个推理路径以引入相关项目和属性,以及(2)在当前系统意图下适当地布置所选实体以控制响应生成。为了解决这些问题,我们提出了CR-沃克在本文中,一个模型,执行树结构的推理知识图谱,并产生信息对话行为,以指导语言生成。树形结构推理的独特方案将每一跳处的遍历实体视为对话的一部分,以促进语言生成,这将实体的选择和表达联系起来。自动和人工评估表明,CR-Walker可以达到更准确的推荐,并生成更多信息和吸引人的响应。
2021-09-03 cs.CL cs.IR
User Memory Reasoning for Conversational Recommendation
WICT, Peking University(北京大学无线通信与信号处理研究中心);Institute for Data Science, Tsinghua University(清华大学数据科学研究院);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Facebook Assistant(脸书助手事业部)
我们研究了一个会话式推荐模型,该模型通过结构化和累积的用户记忆知识图谱动态管理用户过去(离线)的偏好和当前(在线)的请求,以实现自然的交互和准确的推荐。在这项研究中,我们创建了一个新的记忆图(MG)<-->对话推荐并行语料库,称为MGConvRex,具有7 K+人与人之间的角色扮演对话,基于从真实用户场景中引导的大规模用户记忆。MGConvRex在用户记忆中捕获人类级别的推理,并具有用于zero-shot(冷启动)推理的不相交的用户训练/测试集。我们提出了一个简单而可扩展的配方,用于构建和更新MG,和一个推理模型,预测最佳的对话策略和推荐项目在无约束的图空间。我们提出的模型的预测继承了图结构,提供了一种自然的方式来解释模型的建议。离线指标和在线模拟进行实验,显示竞争力的结果。
2020-05-30 cs.CL
Pearl: A Review-driven Persona-Knowledge Grounded Conversational Recommendation Dataset
Yonsei University(延世大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对现有对话推荐数据集缺乏用户偏好和推荐解释的问题,本文提出基于评论驱动、角色与知识增强的大语言模型模拟器合成的PEARL数据集,包含超57k对话,实验证明其推荐更具相关性。
2024-06-08 cs.CL
AUGUST: an Automatic Generation Understudy for Synthesizing Conversational Recommendation Datasets
CUHKSZ(香港中文大学(深圳));JD AI Research(京东人工智能研究院)
针对现有对话推荐数据集依赖人工标注、规模有限且质量不足的问题,提出AUGUST自动合成方法,结合用户画像、知识图谱与已有对话能力生成高质量对话数据,验证了其在低资源场景下的效用。
2023-06-16 cs.CL
Multimodal Recommendation Dialog with Subjective Preference: A New Challenge and Benchmark
Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出包含12K购物对话的SURE数据集以刻画多模态推荐中的主观偏好与推荐行为,并基于该数据定义三个基准任务及一个由先进多模态模型驱动的基线模型。
2023-05-26 cs.AI cs.CL cs.CV
DuRecDial 2.0: A Bilingual Parallel Corpus for Conversational Recommendation
Harbin Institute of Technology(哈尔滨工业大学);Baidu Inc.(百度公司)
在本文中,我们提供了一个双语并行人对人的推荐对话数据集(DuRecDial 2.0),使研究人员能够探索具有挑战性的任务,多语言和跨语言的会话推荐。DuRecDial 2.0与现有会话式推荐数据集的区别在于,DuRecDial 2.0中的数据项(Profile,Goal,Knowledge,Context,Response)使用两种语言进行注释,英语和中文,而其他数据集则使用单一语言设置。我们收集了8.2k个跨英语和汉语的对话(共16.5k个对话和255k个话语),这些对话由众包工作人员进行注释,并具有严格的质量控制程序。然后,我们在DuRecDial 2.0上构建单语,多语言和跨语言会话推荐基线。实验结果表明,使用额外的英语数据可以带来性能的改善,中文会话推荐,显示DuRecDial 2.0的好处。最后,这个数据集提供了一个具有挑战性的测试平台,为未来的研究单语,多语言和跨语言的会话推荐。
2021-09-18 cs.AI cs.CL
RecInDial: A Unified Framework for Conversational Recommendation with Pretrained Language Models
The Chinese University of Hong Kong(香港中文大学);Microsoft Corporation(微软公司);University of Oxford(牛津大学)
会话式推荐系统(CRS)旨在通过交互式会话向用户推荐高质量的项目,近年来引起了人们的极大兴趣。CRS通常由推荐模块和生成模块组成。在以前的工作中,这两个模块在模型训练中是松散连接的,并且在推理过程中是浅集成的,其中采用简单的切换或复制机制来将推荐项合并到生成的响应中。此外,目前在小型众包数据集上训练的端到端神经模型(例如,ReDial数据集中的10 K个对话框)往往会过度拟合并且聊天能力较差。在这项工作中,我们提出了一种新的统一框架,通过引入一个词汇指针,将推荐集成到对话框(RecInDial)生成。为了解决CRS中的低资源问题,我们微调大规模预训练的语言模型以生成流畅和多样化的响应,并引入从面向实体的知识图谱中学习的知识感知偏差以提高推荐性能。此外,我们建议以端到端的方式评估CRS模型,与以前工作中使用的两个模块的单独评估相比,它可以反映整个系统的整体性能,而不是单个模块的性能。在基准数据集ReDial上的实验表明,我们的RecInDial模型明显优于最先进的方法。更广泛的分析表明我们的模型的有效性。
2022-10-07 cs.CL
What's Mine becomes Yours: Defining, Annotating and Detecting Context-Dependent Paraphrases in News Interview Dialogs
Utrecht University(乌得勒支大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本文定义并标注新闻访谈中的上下文依赖释义,构建含600个话语对、5581条标注的NPR/CNN数据集,并验证上下文学习与token分类模型的检测效果。
2024-10-02 cs.CL
Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information
Columbia University(哥伦比亚大学);University of California, Davis(加州大学戴维斯分校)
会话式推荐系统(CRS)通过从对话历史中推断用户偏好,提供准确的推荐并生成适当的响应来与用户互动。以前的CRS使用基于知识图谱(KG)的推荐模块,并将KG与语言模型集成以用于响应生成。虽然基于KG的方法被证明是有效的,但仍有两个问题有待解决。首先,基于KG的方法忽略了会话背景中的信息,而仅仅依赖于实体关系和词袋来推荐项目。第二,它需要大量的工程工作来维护模型域特定关系的KG,从而导致更少的灵活性。在本文中,我们提出了一个简单而有效的架构,包括一个预先训练的语言模型(PLM)和一个项目元数据编码器。编码器学习将项目元数据映射到可以反映对话上下文中的语义信息的嵌入。然后,PLM将语义对齐的项目嵌入与对话上下文一起使用,以生成高质量的建议和响应。我们的模型不是用KG建模实体关系,而是通过直接将每个项目转换为嵌入来降低工程复杂性。在基准数据集ReDial上的实验结果表明,我们的模型在推荐和响应生成任务上都获得了最先进的结果。
2021-12-15 cs.AI cs.CL cs.IR
LED: A Dataset for Life Event Extraction from Dialogs
The University of Tokyo(东京大学);National Yang Ming Chiao Tung University(阳明交通大学);Academia Sinica(中央研究院);National Taiwan University(台湾大学)
本文提出对话生活事件提取新任务及LED数据集,并系统比较OpenIE、关系提取和事件提取三种框架,揭示现有模型在对话场景下的不足,为后续研究提供基准与分析。
2023-04-17 cs.CL
MobileConvRec: A Conversational Dataset for Mobile Apps Recommendations
University of Kentucky(肯塔基大学);Louisiana State University(路易斯安那州立大学)
针对移动应用对话推荐缺乏基准数据集的问题,提出MobileConvRec,基于真实交互模拟多轮对话,含超1.2万对话覆盖45类应用,并验证其作为测试平台的有效性。
2024-05-28 cs.CL
COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce
Rutgers University(罗格斯大学);HPI/University of Potsdam(波茨坦大学哈索·普拉特纳研究院)
在这项工作中,我们提出了一个新的数据集的会话推荐知识图谱在电子商业平台称为COOKIE。该数据集是从亚马逊评论语料库构建的,通过集成用户代理对话和自定义知识图谱进行推荐。具体来说,我们首先构建一个统一的知识图谱,并提取用户-产品对之间的关键实体,作为对话的骨架。然后,我们模拟会话反映人类粗到细的过程中选择首选项。所提出的基线和实验表明,我们的数据集能够为会话推荐提供创新的机会。
2020-08-21 cs.AI cs.CL cs.IR
INFACT: An Online Human Evaluation Framework for Conversational Recommendation
University of Klagenfurt(克拉根福大学)
会话式推荐系统(CRS)是一种交互式代理,通过多轮会话支持用户实现与广告相关的目标。通常,CRS可以在各种维度上进行评估。今天的CRS主要依靠离线(计算)措施来评估其算法与不同基线相比的性能。然而,离线测量可能具有限制,例如,当用于将新生成的响应与地面实况进行比较的度量与人类感知不相关时,因为各种替代生成的响应在给定对话情形中可能也是合适的。因此,目前对基于机器学习的CRS模型的研究承认了人类在评估过程中的重要性,知道纯粹的离线测量可能不足以评估像CRS这样的高度交互式系统。
2022-09-07 cs.AI cs.CL cs.HC
Personalized Transformer for Explainable Recommendation
Hong Kong Baptist University(香港浸会大学);Rutgers University(罗格斯大学)
自然语言生成的个性化在诸如可解释的推荐、评论摘要和对话系统等大量任务中起着至关重要的作用。在这些任务中,用户和项目ID是个性化的重要标识符。Transformer被证明具有强大的语言建模能力,然而,它不是个性化的,并且不能利用用户和项目ID,因为ID标记甚至与单词不在相同的语义空间中。针对这一问题,本文提出了一种用于解释性推荐的个性化Transformer(PETER),并在此基础上设计了一个简单有效的学习目标,利用识别码预测目标解释中的单词,从而赋予识别码以语言学意义,实现个性化的Transformer。除了生成解释,PETER还可以提出建议,这使其成为整个解释-解释管道的统一模型。大量的实验表明,我们的小型未经预训练的模型在生成任务上的有效性和效率方面优于微调的BERT,这突出了我们设计的重要性和良好的实用性。
2021-06-05 cs.AI cs.CL cs.IR
SupervisorBot: NLP-Annotated Real-Time Recommendations of Psychotherapy Treatment Strategies with Deep Reinforcement Learning
Columbia University(哥伦比亚大学);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
我们提出了一个建议系统,建议治疗策略的治疗师在心理治疗会话期间在实时的【形】。我们的系统使用了一个回合级别评级机制,通过计算评分清单的深度嵌入和患者正在说话的当前句子之间的相似性得分来预测治疗结果。该系统自动转录一个连续的音频流,并将其分为轮流的病人和治疗师,并执行实时的【形】推理他们的治疗工作联盟。然后,将对话对及其计算出的工作联盟作为评级馈送到深度强化学习推荐系统中,在该系统中,会话被视为用户,主题被视为项目。除了评估现有心理治疗会话数据集的核心组件的经验优势外,我们还在Web应用程序中展示了该系统的有效性。
2022-10-29 cs.AI cs.CL cs.HC