摘要
推薦系統是一種軟件應用程序，它可以幫助用戶在信息過載的情況下找到感興趣的主題。當前的研究通常假設一個一次性的交互范式，其中用戶偏好是根據過去歷史觀察到的行為來估計的，并且按照等級排序的推薦列表是用戶交互的主要的且是單向的形式。對話推薦系統(CRS)采用了一種不同的方法，支持更豐富的交互。例如，這些交互可以幫助改進偏好激發過程，或者允許用戶詢問關于推薦的問題并給出反饋。對CRS的興趣在過去幾年里顯著增加。這種發展主要是由于自然語言處理領域的重大進展，新的語音控制家庭助手的出現，以及聊天機器人技術的增加使用。在本文中，我們詳細介紹了現有的對話推薦方法。我們將這些方法按不同的維度進行分類，例如，根據支持的用戶意圖或用戶在后臺使用的知識。此外，我們還討論了技術方法，回顧了CRS的評估方法，并最終確定了一些在未來值得更多研究的差距。
介紹
推薦系統是人工智能在實踐中最明顯的成功案例之一。通常，這些系統的主要任務是為用戶指出感興趣的潛在主題，例如電子商務網站。因此，它們不僅可以在信息超載的情況下幫助用戶，還可以對服務提供商的業務做出重大貢獻。 在這些實際應用中，推薦是一個一次性的交互過程。通常，底層系統會隨著時間的推移監視其用戶的行為，然后在預定義的導航情況下(例如，當用戶登錄到服務時)提供一組定制的建議。盡管這種方法在各個領域都很常見，也很有用，但是它可能有一些潛在的限制。例如，在許多應用程序場景中，用戶首選項無法從其過去的交互中可靠地估計出來。對于高介入的產品(例如，當推薦一款智能手機時)，我們甚至可能完全沒有過去的觀察結果。此外，在一組建議中包含哪些內容可能與上下文高度相關，而且可能很難自動確定用戶的當前情況或需求。最后，另一個假設通常是，當用戶登錄網站時，他們已經知道自己的偏好。然而，這未必是真的。例如，用戶可能只在決策過程中確定他們的首選項，例如，當他們意識到選項的空間時。在某些情況下，他們也可能只在與推薦者的交互過程中了解這塊內容和可用的選項。 對話推薦系統(CRS)是可以幫助解決這些的挑戰中的許多這樣的問題。一般來說，這種系統的總體思想是支持與用戶進行面向任務的多回合對話。例如，在這樣的對話中，系統可以引出用戶當前的詳細偏好，為主題推薦提供解釋，或者處理用戶對所提建議的反饋。 鑒于這類系統的巨大潛力，對CRS的研究已經有了一定的傳統。早在20世紀70年代末，Rich就設想了一個電腦化的圖書管理員，通過用自然語言互動地向用戶提問有關他們的個性和偏好的問題，向他們提出閱讀建議。除了基于自然語言處理(NLP)的接口外，近年來還提出了多種基于表單的用戶接口。CRS中較早的基于這些接口的交互方法之一稱為critiquing，它在1982年就被提出作為數據庫領域的查詢重新制定的一種方法。在critiquing方法中，用戶很快會在對話中看到一個建議，然后可以對這些建議應用預先定義的評論。 基于表單的方法通常很有吸引力，因為用戶可以使用的操作是預先定義的、明確的。然而，這樣的對話也可能出現非自然的，用戶可能在表達他們的偏好的方式上感到約束。另一方面，基于NLP的方法在很長一段時間內受到了現有的限制，例如在處理語音命令的上下文中。然而，近年來，語言技術取得了重大進展。因此，我們現在習慣于向智能手機和數字家庭助手發出語音命令，這些設備的識別精度已經達到了令人印象深刻的水平。與語音助手領域的這些發展相對應，我們注意到聊天機器人技術在最近幾年的快速發展。聊天機器人，無論是簡單的還是復雜的，通常也能處理自然語言，現在廣泛應用于各種應用領域，例如，處理客戶服務請求。 這些技術的進步導致在過去幾年中對CRS的興趣增加。然而，與以前的許多方法相比，我們注意到今天的技術建議更多地是基于機器學習技術，而不是遵循預先定義的對話路徑，用于確定要向用戶詢問的下一個問題。然而，通常在語音助手和聊天機器人的功能與支持真正的對話推薦場景(如系統是語音控制的)所需的功能之間仍然存在差距。 本文從不同的角度對對話推薦系統的文獻進行了綜述。具體地說,我們將討論(i)CRS的交互模式(第3節),(ii)CRS基于的知識和數據(第4節), 和(iii)CRS中典型的計算任務(第5節)。然后,我們討論CRS的評估方法(第6節),最后展望未來的發展方向。
對話系統的特征描述
關于什么是CRS，文獻中沒有一個公認的定義。在這項工作中，我們使用以下定義。 CRS是一個軟件系統，它支持用戶通過多回合的對話來實現推薦相關的目標。
CRS的概念架構：在過去的二十年中，人們提出了各種CRS模型的技術途徑。這些解決方案的技術體系結構的細節取決于系統的功能，例如，是否支持語音輸入。盡管如此，仍然可以確定此類體系結構的許多典型概念組件，如圖1所示。
CRS交互模式
最近對CRS的興趣是由NLP的發展和技術進步(如寬帶移動互聯網接入和智能手機和家庭助手等新設備)推動的。然而，我們對文獻的回顧表明，用戶和CRS之間的交互既不局限于自然語言輸入和輸出，也不局限于特定的設備。
知識和背景數據
根據所選擇的技術方法，CRS必須結合各種類型的知識和背景數據才能發揮作用。顯然，像任何推薦人一樣，必須有關于推薦項目的知識。同樣，推薦的生成要么基于明確的知識，例如推薦規則或約束，要么基于在一些背景數據上訓練的機器學習模型。然而，對話系統通常依賴于其他類型的知識，例如對話中的可能狀態，或者用于訓練機器學習模型的數據，如記錄和轉錄的自然語言推薦對話。
計算任務
在討論了推薦對話中可能的用戶意圖之后，我們現在將回顧CRS的常見的計算任務和技術方法。我們區分(i)主要任務，即那些與推薦過程更直接相關的，例如，計算推薦或確定下一個要問的問題，以及(ii)額外的支持任務。
介紹對話系統的評價
一般情況下，推薦系統可以通過不同的方法從不同的維度進行評價。首先，當系統在其使用上下文中進行評估時，即，當它被部署時，我們通常最感興趣的是通過A/B測試來衡量系統是否達到了設計目標的具體關鍵性能指標(KPI)，例如，增加的銷售數字或用戶參與度。其次，用戶研究(實驗室實驗)通常調查與系統感知質量相關的問題。常見的質量維度是建議的適宜性、流程的可感知透明性或易用性。最后，計算性實驗不需要用戶參與評估，而是基于客觀指標來評估質量，例如，通過測量建議的多樣性或計算運行時間來預測測試集中的輔助評級的準確性。同樣的質量維度和研究方法也適用于CRS。然而，在比較面向算法的研究和對話系統的研究時，我們發現評估的主要焦點往往是不同的。由于CRS是高度交互的系統，因此與人機交互有關的問題更常用于這些系統的研究。此外，在測量方法方面，CRS評估不僅關注任務的完成，即，如果建議是合適的或最終被接受的，但也涉及到與談話本身的效率或質量有關的問題。
總結和未來工作
總的來說，我們的研究表明，CRS領域在過去幾年中出現了一定程度的復興，其中最新的方法依賴于機器學習技術，尤其是深度學習和基于自然語言的交互。考慮到語音控制系統(如智能音箱)最近的興起，以及聊天機器人系統的日益普及，我們預計在未來幾年將看到對CRS的更多研究。雖然在某些方面取得了重大進展，但仍有許多領域需要進行更多的研究。在接下來的文章中，我們將概述一些有待解決的問題以及該領域未來可能的發展方向。 第一個問題涉及模式的選擇。盡管近年來，“自然語言”越來越流行，但究竟哪種情況下“自然語言”才是最好的選擇，目前還不完全清楚。需要進行更多的研究來了解哪種模式適合當前給定的任務和情況，或者是否應該向用戶提供替代模式。一個有趣的研究方向還在于解釋用戶的非言語交際行為。此外，完全基于語音的CRS也有一定的局限性，例如，在一個交互周期中提供完整的推薦集合。在這種情況下，用戶可能希望對一組推薦進行總結，因為在大多數情況下，當CRS向用戶推薦過多(例如多于兩三個)選項時，這可能沒有意義。
付費5元查看完整內容
相關內容
推薦系統，是指根據用戶的習慣、偏好或興趣，從不斷到來的大規模信息中識別滿足用戶興趣的信息的過程。推薦推薦任務中的信息往往稱為物品(Item)。根據具體應用背景的不同，這些物品可以是新聞、電影、音樂、廣告、商品等各種對象。推薦系統利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定應該購買什么產品，模擬銷售人員幫助客戶完成購買過程。個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信息和產品過程無疑會使淹沒在信息過載問題中的消費者不斷流失。為了解決這些問題，個性化推薦系統應運而生。個性化推薦系統是建立在海量數據挖掘基礎上的一種高級商務智能平臺，以幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。
主題： Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion
摘要： 會話推薦系統（CRS）旨在通過交互式對話向用戶推薦高質量的項目。盡管已為CRS做出了一些努力，但仍有兩個主要問題有待解決。首先，對話數據本身缺少足夠的上下文信息，無法準確地了解用戶的偏好。第二，自然語言表達與項目級用戶偏好之間存在語義鴻溝。為了解決這些問題，我們結合了面向單詞和面向實體的知識圖（KG）來增強CRS中的數據表示，并采用互信息最大化來對齊單詞級和實體級的語義空間。基于對齊的語義表示，我們進一步開發了用于進行準確推薦的KGenhanced推薦器組件，以及可以在響應文本中生成信息性關鍵字或實體的KG增強對話框組件。大量的實驗證明了我們的方法在推薦和對話任務上都能產生更好的性能。
付費5元查看完整內容
題目： A Survey on Dialog Management: Recent Advances and Challenges
摘要：
對話管理(DM)是面向任務的對話系統的一個重要組成部分。給定對話歷史記錄，DM預測對話狀態并決定對話代理應該采取的下一步操作。近年來，對話策略學習被廣泛地定義為一種強化學習(RL)問題，越來越多的研究集中在DM的適用性上。在本文中，綜述了DM的三個關鍵主題的最新進展和挑戰:
- 提高模型可擴展性，方便對話系統在新場景下建模;
- 處理對話策略學習的數據稀缺性問題；
- 提高培訓效率，實現更好的任務完成績效。
相信這項調查可以為未來對話管理的研究提供一些啟示。
付費5元查看完整內容
題目： A Survey of Document Grounded Dialogue Systems (DGDS)
摘要：
對話系統因其廣泛的應用前景而受到工業界和學術界的廣泛關注。研究人員通常根據功能來劃分DS。然而，許多對話需要DS在不同的功能之間切換。例如，電影討論可以從聊天轉換為QA，會話推薦可以從聊天轉換為推薦等。因此，根據功能進行分類可能不足以幫助我們理解當前的發展趨勢。我們根據背景知識對DS進行分類。具體地說，學習最新的基于非結構化文檔的DS。我們將基于文件的對話系統(DGDS)定義為對話圍繞給定文件展開的系統。DGDS可用于根據產品手冊討論商品、評論新聞報道等場景。我們認為，提取非結構化的文檔信息是DS的未來發展趨勢，因為大量的人類知識都存在于這些文檔中。DGDS的研究不僅具有廣闊的應用前景，而且有助于人工智能更好地理解人類知識和自然語言。我們分析了DGDS的分類、體系結構、數據集、模型以及未來的發展趨勢，希望能對這一領域的研究者有所幫助。
付費5元查看完整內容
序列推薦
·
近年來，序列推薦系統這一新興的研究課題越來越受到人們的關注。與傳統的推薦系統(包括協同過濾和基于內容的過濾)不同，SRSs試圖理解和建模連續的用戶行為、用戶和條目之間的交互、以及用戶偏好和條目受歡迎程度隨時間的變化。SRSs涉及到以上幾個方面，可以更準確地描述用戶上下文、意圖和目標，以及物品的消費趨勢。我們首先介紹了SRSs的特點，然后對該研究領域的關鍵挑戰進行了總結和分類，接著是相應的研究進展，包括該課題最新的和有代表性的進展。最后，討論了該領域的重要研究方向。
付費5元查看完整內容
在線推薦系統幫助用戶找到電影、工作、餐館——甚至愛情!這是一種將統計數據、人口統計數據和查詢條件相結合以獲得令他們滿意的結果的藝術。學習建立一個推薦系統的正確方法:它可以使你的應用成功或失敗!
對這項技術
推薦系統無處不在，幫助你找到從電影到工作，從餐館到醫院，甚至是愛情的一切。利用行為和人口統計數據，這些系統可以預測用戶在特定時間最感興趣的內容，從而得到高質量、有序、個性化的建議。推薦系統實際上是保持網站內容最新、有用和有趣的必要手段。
關于這本書
實用推薦系統解釋如何推薦系統的工作，并顯示如何創建和應用它們為您的網站。在介紹了基礎知識之后，您將看到如何收集用戶數據并生成個性化的推薦。您將學習如何使用最流行的推薦算法，并在Amazon和Netflix等網站上看到它們的實例。最后，這本書涵蓋了規模問題和其他問題，你會遇到的網站成長。
里面有什么
- 如何收集和理解用戶行為
- 協同和基于內容的過濾
- 機器學習算法
- Python中的實際示例
付費5元查看完整內容
題目： A Survey on Knowledge Graph-Based Recommender Systems
摘要：
為了解決信息爆炸問題，提高用戶在各種在線應用中的體驗，人們開發了推薦系統來模擬用戶的偏好。盡管人們已經為更個性化的推薦做了很多努力，但是推薦系統仍然面臨著一些挑戰，如數據稀疏和冷啟動。近年來，以知識圖為輔助信息的推薦生成引起了人們的極大興趣。這種方法不僅可以緩解上述問題，使推薦更加準確，而且可以為推薦項目提供解釋。本文對基于知識圖的推薦系統進行了系統的研究。我們收集了最近在這一領域發表的論文，并從兩個角度對其進行了總結。一方面，我們通過研究論文如何利用知識圖進行精確和可解釋的推薦來研究所提出的算法。另一方面，我們介紹了這些工作中使用的數據集。最后，提出了該領域的幾個潛在研究方向。
付費5元查看完整內容
論文題目： Knowledge-based Conversational Search
摘要：
允許對數字存儲信息進行直觀和全面訪問的對話接口仍然是一個目標。在這篇論文中，分析了對話搜索系統的需求，并提出了一些具體的解決方案來自動化這些系統應該支持的基本組件和任務，從而為對話搜索系統的設計奠定了基礎。我們描述了幾個相互依賴的研究，這些研究分析了更高級的對話搜索系統的設計需求，該系統能夠支持復雜的類人對話交互，并提供對巨大知識庫的訪問。在前兩章的研究中，重點分析了信息搜索對話中常見的結構，從領域獨立的話語功能關系和領域特定的隱含語義關系兩方面分析了重復模式。結果顯示，問題回答是特定信息訪問的關鍵組成部分之一，但它不是會話搜索系統應該支持的對話交互的唯一類型。在第三章的研究中，提出了一種新穎的方法來解決復雜的問題。在最后的研究章節中，將注意力轉向了另一種交互模式，稱之為對話瀏覽，在這種模式中，會話系統與問題回答不同，在對話交互過程中起著更積極的作用。結果表明，由于詞匯量不匹配問題，該方法可以幫助用戶發現僅使用問題回答無法檢索的相關條目。
論文作者：
Svitlana Vakulenko是阿姆斯特丹大學博士，研究范圍是自然語言處理、對話系統、問答、對話搜索。
論文下載鏈接： //svakulenk0.github.io/pdfs/Conversational_Search_in_Structure__PhD_Thesis_Vakulenko_.pdf
ppt下載鏈接：
付費5元查看完整內容
論文題目： A Survey on Edge Computing Systems and Tools
論文摘要： 在物聯網和5G通信的愿景驅動下，邊緣計算系統在網絡邊緣集成了計算，存儲和網絡資源，以提供計算基礎架構，從而使開發人員能夠快速開發和部署邊緣應用程序。 如今，邊緣計算系統已在業界和學術界引起了廣泛關注。 為了探索新的研究機會并幫助用戶選擇適合特定應用的邊緣計算系統，本調查報告對現有邊緣計算系統進行了全面概述，并介紹了代表性的項目。 根據開放源代碼工具的適用性進行了比較。 最后，我們重點介紹了邊緣計算系統的能源效率和深度學習優化。 本次調查還研究了用于分析和設計邊緣計算系統的未解決問題。
付費5元查看完整內容
主題： Context Adaptation with Session‐based Recommenders
簡介： 在各種社會科學和技術學科中，上下文信息已被廣泛認為是重要的建模維度。 盡管已經在上下文感知推薦器系統（CARS）領域進行了大量研究，但是許多現有方法都集中于將推薦的預定義和靜態上下文因素納入代表性視圖處理。本報告介紹了CARS的挑戰以及未來的研究算法的類別。
嘉賓介紹： Dietmar Jannach是奧地利AAU Klagenfurt的信息系統專業教授。 在2017年加入AAU之前，他是德國多特蒙德理工大學的計算機科學教授。 在他的研究中，他專注于將智能系統技術應用于實際問題以及開發用于構建知識密集型軟件應用程序的方法。 在過去的幾年中，Dietmar Jannach致力于推薦系統的各個實際方面。 他是2010年劍橋大學出版社出版的第一本有關該主題的教科書的主要作者，并且是一家技術初創公司的聯合創始人，該公司創建了屢獲殊榮的交互式咨詢解決方案產品。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191