基于规则的会话推荐系统框架

动机与背景

• 动机：深度学习方法需要大量领域注释数据，而工业产品难以承受高昂的时间和财务成本，因此需要低成本且可解释的对话推荐系统（CRS Bot）。
• 目标：通过构建KG本体和对话互动获取用户实时反馈，实现更好的推荐效果。
• 方法：提出FORCE系统，采用数据+配置的方式构建CRS Bot，例如电子商务领域的购物指南机器人。

系统介绍

• 系统概述：FORCE包含KG推理模型、实体排名、知识图谱控制器、UI Bot、意图预测、对话行为生成和响应生成模型。
• 主要功能：
  • 获取实体/属性/通用节点。
  • 获取实体的属性节点。
  • 获取泛型类下的属性节点。
  • 获取包含属性的实体节点。
  • 获取实体的邻居实体节点。
• 实体排名模型：实体得负分条件包括用户否认的属性、用户已提及的实体、机器人已提及的实体；得正分条件包括用户首选的属性、与提到的实体共享属性。
• Bot意图预测模型：预测用户意图。
• 对话行为生成模型：生成对话行为。
• 响应生成模型：生成系统响应。

数据集和实验

• 数据集：
  • 电影领域：从ReDial数据集中采样形成M-RD（迷你重拨），采样规则为5-7转对话与所有聊天/查询/推荐意图。
  • 医疗领域：重新处理DX医疗诊断数据集。
• 实验结果：
  • CR-Walker在ReDial中的精确度：R@1 67.8%，R@10 15.5%，R@50 36.5%。

研究结论

• 有效性：FORCE系统在电影和医疗领域的数据集上验证了其有效性和可用性。
• 应用价值：CRS bots by FORCE可用作对话收集工具，开发人员可后续使用深度学习微调模型。
• 总结：FORCE是一个支持开发人员构建冷启动CRS机器人并具有良好可解释性的框架。