C2-CRS:会話レコメンダーシステムのための粗から遠へのコントラスト学習【JST・京大機械翻訳】

Zhou Yuanhang; Zhou Kun; Zhao Wayne Xin; Wang Cheng; Jiang Peng; Hu He

プレプリント

J-GLOBAL ID：202202210225572517 整理番号：22P0024969

C2-CRS:会話レコメンダーシステムのための粗から遠へのコントラスト学習【JST・京大機械翻訳】

C2-CRS: Coarse-to-Fine Contrastive Learning for Conversational Recommender System

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月04日プレプリントサーバーでの情報更新日： 2023年05月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

反転推薦システム(CRS)は,自然言語会話を通してユーザに適切なアイテムを推薦することを目的とする。効果的なCRSを開発するために,主要な技術的問題は,非常に限られた会話文脈からユーザ選好を正確に推論する方法である。課題に取り組むために,有望な解決策はコンテキスト情報を豊かにする外部データを組み込むことである。しかしながら,以前の研究は,主に,いくつかの特定のタイプの外部データに対して調整した融合モデルの設計に焦点を当て,それは,マルチタイプ外部データをモデル化し,利用することは一般的ではない。マルチタイプ外部データを効果的に活用するために,CRSのためのデータ意味融合を改善するために,新しい粗から細かいコントラスト学習フレームワークを提案した。本アプローチでは,まず,異なるデータ信号からマルチグレイン意味ユニットを抽出し,表現し,次に,粗から微細方法で関連マルチタイプセマンティックユニットを整列させた。このフレームワークを実装するために,ユーザ選好をモデル化するための粗粒と細粒化手順の両方を設計し,前者は,より一般的で粗粒の意味的融合に焦点を合わせ,後者はより特異的で細粒の意味融合に焦点を当てた。そのようなアプローチは,より多くの種類の外部データを組み込むために拡張できる。2つの公開CRSデータセットに関する広範な実験は,推薦と会話タスクの両方における著者らのアプローチの有効性を実証した。【JST・京大機械翻訳】

, , , , , ,
, , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る