【论文阅读】Advances and challenges in conversational recommender systems: A survey-优快云博客

本文链接：https://blog.youkuaiyun.com/cepc_hr/article/details/121972884

本文深入探讨了对话式推荐系统（CRS）如何通过实时多轮交互解决静态推荐系统的局限，如用户偏好理解的准确性问题。CRS通过对话策略、自然语言理解和生成、探索与利用的平衡以及评估方法等角度面临挑战。文章还强调了CRS与传统推荐系统、互动推荐和对话AI系统的区别，并指出了未来的研究方向。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原文标题：Advances and challenges in conversational recommender systems: A survey
源：https://www.sciencedirect.com/science/article/pii/S2666651021000164

文章目录

摘要
1.引入 Introduction
2. 基于问题的用户偏好引出
- 2.1 Asking about items
- 2.2 Asking about Attributes
3.CRS的多轮对话策略
4.CRS的对话理解和生成
5. exploration和exploitation 权衡
6.评估和用户仿真
7.未来的方向和机遇
8.结论

摘要

推荐系统通过交互历史来研究用户的偏好已经有很长的历史，并在各个领域有广泛应用。然而静态推荐系统有两个重要问题难以解决：

用户究竟喜欢什么
为什么用户喜欢某个物品

这是由于静态模型学习用户偏好的方式导致的（没有与用户交互反馈）。CRS的兴起解决了这个局面（通过自然语言交互，反馈，探求用户真实准确偏好）
本文系统性介绍现有的CRS技术，从五个方向介绍挑战：

Question-based user preference elicitation
multi-turn conversational recommendation strategies
dialogue understanding and generation
exploitation-exploration trade-offs(E&E)
evaluation and user simulation

这些研究包括了IR/NLP/HCI等方向

1.引入 Introduction

推荐系统已经成为信息检索不可或缺的工具。各大公司都需要建立用户商品之间的联系。
传统的推荐系统(static recommendation)通过过去的行为(offline training )，例如点击，浏览记录等预测用户偏好。早期的一些方法，例如协同过滤、逻辑回归、factorization machine、GDBT等已经广泛应用在实际应用中。最近，也有研究使用更复杂但是有效的神经网络。

1.1 静态模型的问题 Inherent disadvantages of static recommendations

难以解决Two important questions:

（1）用户究竟喜欢什么？

使用历史数据进行学习会出现稀疏（sparse）和噪音（noisy）。
静态模型一个基本假设是所有的历史行为表示了用户的偏好。

因此会导致以下几个问题：
1. 由于用户可能选错了，而导致他们并不喜欢他们选择的物品。
2. 用户的对于商品的态度可能随着时间而改变，因此，从有偏差的历史数据中推断用户的喜欢将会十分困难。
3. 冷启动问题。

总之，通过静态模型很难得到用户精确地偏好。

（2）为什么用户喜欢这个商品？

找出用户为什么喜欢某个物品对于提到推荐模型机制，提高推断用户偏好的能力十分重要。
在现实生活中，有很多因素影响用户的选择。例如，用户可能处于好奇或者受他人影响购买商品；也可能是经过仔细思考后购买。购买相同商品的用户的动机可能不同。因此，用同样的方式处理不同的用户，或者用同样的方式对待同一用户的不同行为并不合适。
静态模型很难推断用户消费行为背后的不同动机。

尽管之前有很多研究通过引入大量的辅助数据，例如社交网络、知识图谱的方法࿰