物品|对话推荐系统的进展与五个关键挑战( 五 ) 智能制造|国际联盟|国立大学

4，模拟人类对话的语料；CRS根据真实的人类对话数据作为训练，学习模拟人类的能力。

未来展望

联合训练三个子任务
CRS的三个子任务推荐、自然语言处理和生成任务、对话技巧通常被单独研究。但是这三个子任务共享一些实体和数据。比如，用户的评价包含丰富的语义信息，但是只会给推荐引擎观点信息。
偏差
推荐系统包含各种偏差，比如 popularitybias，conformitybias等。这些偏差可以在与用户交互过程中消除，因为CRS可以直接询问用户关于流行物品的属性，而不像传统推荐系统直接向用户推荐大家都喜欢的物品。exposure bias会导致用户只能持续消费推荐系统曝光的物品。
复杂多轮对话技巧
目前的对轮对话的技巧过于简单。有些工作是基于手工设计的函数决定何时询问，何时推荐。有些基于DL的工作甚至没有显式的管理多轮对话的模块。有些工作是基于强化学习，但是在设计动作、状态、奖励方面还有较大的改进空间。
另外，引入外部知识也可以改进CRS。物品的属性信息和知识图谱中丰富的语义信息都可以帮助CRS建模用户偏好。多模态数据也可以引入到之前基于文本的CRS，提供全新维度的信息。
更好的评估和用户模拟
CRS的评估需要用户的实时反馈，但是代价昂贵。绝大多数CRS模拟用户，但是并不能完全达到真实用户的效果。一些可行的方向包括构建频繁的用户交互，在slate推荐中建模用户的选择行为。

关于AI Open

AI Open是一个可自由访问的平台，所有文章都永久免费提供给所有人阅读和下载。该期刊专注于分享关于人工智能理论及其应用的可行性知识和前瞻性观点，欢迎关于人工智能及其应用的所有方面的研究文章、综述、评论文章、观点、短篇交流和技术说明。AI Open将作为中国面向国际人工智能学术、产业界的交流渠道，传播人工智能的最新理论、技术与应用创新，提高我国人工智能的学术水平和国际影响力。AI Open目前已被DOAJ收录，目前累计下载量已经达到6w+，乐观预计1年内能进入SCI。

文章插图

雷峰网