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
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.