推荐系统旨在从用户的交互历史识别出用户的偏好，目前已经在工业界得到广泛应用。但是传统静态推荐模型难以解决两个重要的问题。1，用户到底喜欢什么？2，为什么用户喜欢一个物品？因为静态的推荐模型缺乏用户的实时反馈和显式指导。

近年来，对话推荐系统正在逐渐解决这两个问题。在对话推荐系统中，系统能够通过自然语言和用户进行动态交互，能识别出用户的精确偏好。虽然对话推荐系统(conversational recommender systems)已经得到一些发展，但是远没成熟。（下文CRS指对话推荐系统）

该篇文章将首先介绍对话推荐系统，然后总结CRS中5个关键挑战：

1，基于问题的用户偏好识别。

2，多轮对话的策略。

3，对话理解和生成。

4，Exploration-exploitation trade-offs。

5，评估和用户模拟。文章还对未来有前景的方向进行了展望。

论文链接（已收录于AI open）：https://www.aminer.cn/pub/600fe40f91e011256c955f6a

1
介绍

对话推荐系统的定义

A recommendation system that can elicit the dynamic preferences of  users and take actions based on their current needs through real-time  multi-turn interactions.