精华内容
下载资源
问答
  • 文章目录对话推荐系统论文笔记本文提出的一些观点:模型的结构 对话推荐系统论文笔记 ##1, 2019 EMNLP Towards Knowledge-Based Recommender Dialog System   本文由清华大学和阿里巴巴发表,介绍了了一种基于...

    对话推荐系统论文笔记

    ##1, 2019 EMNLP Towards Knowledge-Based Recommender Dialog System
      本文由清华大学和阿里巴巴发表,介绍了了一种基于知识图谱的对话推荐系统,该系统将对话系统和推荐系统整合成一个端到端的系统。通过引入用户偏好的背景知识,对话系统可以强化推荐系统。

    本文提出的一些观点:

    1. 一个理想的对话推荐系统是端到端的系统,对话系统和推荐系统可以互补。
    2. 在冷启动的状态下,系统可以询问用户信息来提取用户的偏好
    3. transformer比层次RNN编码解码器更好

    模型的结构

    在这里插入图片描述

    1. 模型利用对话中的内容,包括没有提及到商品的表述(这部分可能会含有用户偏好的信息),利用维基知识图谱连接对话内容与商品。
    2. 将用户表示为$T_u = {e_1,\dots,e_{|T_u|} } \qquad e_i \in \Large{\varepsilon} $ 商品和非商品实体的集合
    3. 直觉上,知识图谱中相连接的节点拥有(share)相似的特征。使用R - GCNs1对知识图谱进行编码,经过LL层神经网络编码之后,表示为节点的表示矩阵H(L)Rε×d(L)H^{(L)} \in \mathbb{R}^{|\varepsilon| \times d^{(L)}}
    4. 从用户中或者item或者none-item的实体后,可以使用HU=(h1,,hTu)H_U = (h_1,\dots,h_{|T_u|}),通过self-attention机制,算得最终的用户表示tu=αuHut_u = \alpha_uH_u,推荐系统的输出是Prec=softmax(mask(tuHT))P_{rec} = softmax(mask(t_uH^T)),mask操作是将其中包含的none-item的实体概率最小化。
    5. 为了连接对话系统和推荐系统,在对话系统的输出层添加vocabulary bias,出自2 Pdialog=softmax(Wo+b+bu)P_{dialog} = softmax(Wo+b+b_u),其中bu=F:RdRVb_u = F:\mathbb{R}^d \to \mathbb{R}^{|V|}

    1. https://link.springer.com/chapter/10.1007/978-3-319-93417-4_38 ↩︎

    2. https://arxiv.org/abs/1805.01817 ↩︎

    展开全文
  • 对话推荐系统评价指标 文章目录对话推荐系统评价指标前言一、语言模型二、语言模型评价指标--perplexity困惑度三、N-gram三、推荐系统评价指标---准确性指标 前言 提示:这里可以添加本文要记录的大概内容: 例如...

    对话推荐系统评价指标



    一、语言模型

    当前的语言模型是以统计学为基础的统计语言模型,统计语言模型是基于预先人为收集的大规模语料数据,以真实的人类语言为标准,预测文本序列在语料库中可能出现的概率,并以此概率去判断文本是否“合法”,是能能被人所理解。如下例子

    打个比方, 如果有这样一段话:
    "今天我吃了西红柿炒__ "

    对一个好的语言模型, 这句话后面出现的词是"鸡蛋"的概率可能是 30%, "土豆"的概率是 5%, "豆腐"的概率是 5%, 但"石头"的概率则应当几乎为零.显然,鸡蛋的概率更高,也更加符合人类的习惯和理解方式,石头的概率最低,因为人类的习惯不是这样子的,这就是语言模型最直观的理解。

    二、语言模型评价指标–perplexity困惑度

    直观理解:评价语言模型的好坏,输出的句子是否是人话。
    语言模型(Language Model,LM),给出一句话的前k个词,希望它可以预测第k+1个词是什么,即给出一个第k+1个词可能出现的概率的分布p(xk+1|x1,x2,…,xk)。
    perplexity困惑度(PPL),是用在自然语言处理领域(NLP)中,衡量语言模型好坏的指标。它主要是根据每个词来估计一句话出现的概率,并用句子长度作normalize,公式为
    S代表sentence,N是句子长度,p(wi)是第i个词的概率。
    如第一个词就是 p(w1|w0),而w0是START,表示句子的起始,是个占位符。

    从公式可以看出,PPL越小,p(wi)则越大,期望的sentence出现的概率就越高。

    影响因素:

    1. 训练数据集越大,PPL会下降得更低,1百万 dataset和10万dataset训练效果是很不一样的;

    2. 数据中的标点会对模型的PPL产生很大影响,一个句号能让PPL波动几十,标点的预测总是不稳定;

    3. 预测语句中的“的,了”等词也对PPL有很大影响,可能“我借你的书”比“我借你书”的指标值小几十,但从语义上分析有没有这些停用词并不能完全代表句子生成的好坏。

    所以,语言模型评估时我们可以用perplexity大致估计训练效果,作出判断和分析,但它不是完全意义上的标准,具体问题还是要具体分析。

    三、语言模型评价指标—N-gram

    链接: link.

    四、推荐系统评价指标—准确性指标

    准确性指标是推荐系统中最重要的指标。
    链接: link.

    展开全文
  • 推荐系统,作为近年来实现信息生产者与消费者之间利益均衡化的有效手段之一,越来越发挥着举足轻重的作用。像今日头条、抖音这样的APP之所以如此之火,让人们欲罢不能,无非是抓住了用户想看什么的心理,那么如何...
    c2e7ba826c69b5ec8929b9535976d490.gif随着大数据时代的飞速发展,信息逐渐呈现出过载状态。推荐系统,作为近年来实现信息生产者与消费者之间利益均衡化的有效手段之一,越来越发挥着举足轻重的作用。像今日头条、抖音这样的APP之所以如此之火,让人们欲罢不能,无非是抓住了用户想看什么的心理,那么如何才能抓住用户的心理,那就需要推荐系统的帮助了。因此在这个张扬个性的时代,无论你是开发工程师还是产品经理,我们都有必要了解一下个性化推荐的一些经典工作与前沿动态。于是我们于2018年创建了Github项目RSPapers:

    https://github.com/hongleizhang/RSPapers

    48cf08d8665358f7f6ae92cd87be0cba.png

    该项目提供了一些关于推荐系统的经典综述文章主流的推荐算法文章社会化推荐算法论文基于深度学习的推荐系统论文(包括目前较火的GCN网络)以及关于专门处理冷启动问题的相关论文推荐中的效率问题以及推荐当中的探索与利用问题、推荐可解释性、基于评论的推荐等。当然该项目包含但不局限于以上这些模块。目前累计star数量已达2.4k,感谢大家的贡献与支持

    最近对话推荐系统(Conversational RS,CRS)由于其可以与用户进行多轮交互进而提供更好的推荐体验,在学术界和工业界中都得到了非常多的关注。我们注意到今年的SIGIR会议中专门开设了关于CRS的Tutorial,直播/回看地址为:

    https://sigir-schedule.baai.ac.cn/live/DAY26?tuid=tut0003

    可见关于其研究逐渐火热,另外尤其是2020年发表了许多关于CRS的论文,特此进行了整理,希望对大家有所帮助。

    Conversational RS

    • Dietmar et al. A Survey on Conversational Recommender Systems. arXiv, 2020.

    • Zhao et al. Interactive collaborative filtering. CIKM, 2013.

    • Negar et al. Context adaptation in interactive recommender systems. RecSys, 2014.

    • Yasser et al. History-guided conversational recommendation. WWW, 2014.

    • Konstantina et al. Towards Conversational Recommender Systems. KDD, 2016.

    • Konstantina et al. Q&R: A Two-Stage Approach toward Interactive Recommendation. KDD, 2018.

    • Sun et al. Conversational Recommender System. SIGIR, 2018.

    • Yongfeng et al. Towards Conversational Search and Recommendation: System Ask, User Respond. CIKM, 2018.

    • Raymond et al. Towards Deep Conversational Recommendations. NeurIPS, 2018.

    • Tong et al. A Visual Dialog Augmented Interactive Recommender System. KDD, 2019.

    • Qibin et al. Towards Knowledge-Based Recommender Dialog System. EMNLP, 2019.

    • Yuanjiang et al. Adversarial Attacks and Detection on Reinforcement Learning-Based Interactive Recommender Systems. SIGIR, 2020.

    • Wenqiang et al. Conversational Recommendation: Formulation, Methods, and Evaluation. SIGIR, 2020.

    • Xingshan et al. Dynamic Online Conversation Recommendation. ACL, 2020.

    • Wenqiang et al. Estimation-Action-Reflection: Towards Deep Interaction Between Conversational and Recommender Systems. WSDM, 2020.

    • Kun et al. Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion. KDD, 2020.

    • Wenqiang et al. Interactive Path Reasoning on Graph for Conversational Recommendation. KDD, 2020.

    • Sijin et al. Interactive Recommender System via Knowledge Graph-enhanced Reinforcement Learning. SIGIR, 2020.

    • Kai et al. Latent Linear Critiquing for Conversational Recommender Systems. WWW, 2020.

    • Lixin et al. Neural Interactive Collaborative Filtering. SIGIR, 2020.

    • Lixin et al. Pseudo Dyna-Q: A Reinforcement Learning Framework for Interactive Recommendation. WSDM, 2020.

    • Shijun et al. Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users. arXiv, 2020.

    • Zeming et al. Towards Conversational Recommendation over Multi-Type Dialogs. ACL, 2020.

    • Zhongxia et al. Towards Explainable Conversational Recommendation. IJCAI, 2020.

    • Jie et al. Towards Question-based Recommender Systems. SIGIR, 2020.

    • Hu et al. User Memory Reasoning for Conversational Recommendation. arXiv, 2020.

    • Kai et al. Latent Linear Critiquing for Conversational Recommender Systems. WWW, 2020.

    推荐阅读

    [0].一文尽览推荐系统模型演变史[1].深度学习之Pytorch基础教程[2].推荐系统有什么危害?

    [3].当推荐系统邂逅深度学习


    357cae4b390e987ac7e2a89f7db3f7ee.png喜欢的话点个在看吧?
    展开全文
  • 推荐系统,作为近年来实现信息生产者与消费者之间利益均衡化的有效手段之一,越来越发挥着举足轻重的作用。像今日头条、抖音这样的APP之所以如此之火,让人们欲罢不能,无非是抓住了用户想看什么的心理,那么如何...

    随着大数据时代的飞速发展,信息逐渐呈现出过载状态。推荐系统,作为近年来实现信息生产者与消费者之间利益均衡化的有效手段之一,越来越发挥着举足轻重的作用。像今日头条、抖音这样的APP之所以如此之火,让人们欲罢不能,无非是抓住了用户想看什么的心理,那么如何才能抓住用户的心理,那就需要推荐系统的帮助了。因此在这个张扬个性的时代,无论你是开发工程师还是产品经理,我们都有必要了解一下个性化推荐的一些经典工作与前沿动态。于是我们于2018年创建了Github项目RSPapers:

    https://github.com/hongleizhang/RSPapers

    842a546e73f7bc15a9fc6968eec18021.png

    该项目提供了一些关于推荐系统的经典综述文章主流的推荐算法文章社会化推荐算法论文基于深度学习的推荐系统论文(包括目前较火的GCN网络)以及关于专门处理冷启动问题的相关论文推荐中的效率问题以及推荐当中的探索与利用问题、推荐可解释性、基于评论的推荐等。当然该项目包含但不局限于以上这些模块。目前累计star数量已达2.4k,感谢大家的贡献与支持

    最近对话推荐系统(Conversational RS,CRS)由于其可以与用户进行多轮交互进而提供更好的推荐体验,在学术界和工业界中都得到了非常多的关注。我们注意到今年的SIGIR会议中专门开设了关于CRS的Tutorial,直播/回看地址为:

    https://sigir-schedule.baai.ac.cn/live/DAY26?tuid=tut0003

    可见关于其研究逐渐火热,另外尤其是2020年发表了许多关于CRS的论文,特此进行了整理,希望对大家有所帮助。

    Conversational RS

    • Dietmar et al. A Survey on Conversational Recommender Systems. arXiv, 2020.
    • Zhao et al. Interactive collaborative filtering. CIKM, 2013.
    • Negar et al. Context adaptation in interactive recommender systems. RecSys, 2014.
    • Yasser et al. History-guided conversational recommendation. WWW, 2014.
    • Konstantina et al. Towards Conversational Recommender Systems. KDD, 2016.
    • Konstantina et al. Q&R: A Two-Stage Approach toward Interactive Recommendation. KDD, 2018.
    • Sun et al. Conversational Recommender System. SIGIR, 2018.
    • Yongfeng et al. Towards Conversational Search and Recommendation: System Ask, User Respond. CIKM, 2018.
    • Raymond et al. Towards Deep Conversational Recommendations. NeurIPS, 2018.
    • Tong et al. A Visual Dialog Augmented Interactive Recommender System. KDD, 2019.
    • Qibin et al. Towards Knowledge-Based Recommender Dialog System. EMNLP, 2019.
    • Yuanjiang et al. Adversarial Attacks and Detection on Reinforcement Learning-Based Interactive Recommender Systems. SIGIR, 2020.
    • Wenqiang et al. Conversational Recommendation: Formulation, Methods, and Evaluation. SIGIR, 2020.
    • Xingshan et al. Dynamic Online Conversation Recommendation. ACL, 2020.
    • Wenqiang et al. Estimation-Action-Reflection: Towards Deep Interaction Between Conversational and Recommender Systems. WSDM, 2020.
    • Kun et al. Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion. KDD, 2020.
    • Wenqiang et al. Interactive Path Reasoning on Graph for Conversational Recommendation. KDD, 2020.
    • Sijin et al. Interactive Recommender System via Knowledge Graph-enhanced Reinforcement Learning. SIGIR, 2020.
    • Kai et al. Latent Linear Critiquing for Conversational Recommender Systems. WWW, 2020.
    • Lixin et al. Neural Interactive Collaborative Filtering. SIGIR, 2020.
    • Lixin et al. Pseudo Dyna-Q: A Reinforcement Learning Framework for Interactive Recommendation. WSDM, 2020.
    • Shijun et al. Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users. arXiv, 2020.
    • Zeming et al. Towards Conversational Recommendation over Multi-Type Dialogs. ACL, 2020.
    • Zhongxia et al. Towards Explainable Conversational Recommendation. IJCAI, 2020.
    • Jie et al. Towards Question-based Recommender Systems. SIGIR, 2020.
    • Hu et al. User Memory Reasoning for Conversational Recommendation. arXiv, 2020.
    • Kai et al. Latent Linear Critiquing for Conversational Recommender Systems. WWW, 2020.
    展开全文
  • 标题:Conversational Recommender System作者:Yueming Sun, Yi Zhang单位:University of California, Santa Cruz会议:SIGIR-2018链接:arxivcode:PyTorch版本代码由于最近在做对话推荐系统的相关工作,今天我...
  • 点击上方,选择星标或置顶,每天给你送干货!来自:RUC AI Box随着对话系统和推荐系统的快速发展,新方向——对话推荐系统(Conversational Recommender Sys...
  • 最近会话推荐系统(CRSs)的兴起从根本上改变了这种情况。在CRS中,用户和系统可以通过自然语言交互进行动态交流,这为明确地获取用户的准确偏好提供了前所未有的机会。
  • 随着大数据时代的飞速发展,信息逐渐呈现出过载状态。推荐系统,作为近年来实现信息生产者与消费者之间利益均衡化的有效手段之一,越来越发挥着举足轻重的作用。像今日头条、抖音这样的APP之所以如...
  • 腾讯课堂、企鹅辅导、ABCmouse吸引了多种多样的用户,其中不止有...一、对话中台产生的背景1.1 产品需求在线教育产品面对学员的大量重复性问题,为了减轻人工客服的压力,并且给学员及时的回复,解决学员的问题,...
  • (2)动作,该动作学习基于估计阶段和对话历史来确定是询问属性还是推荐项目的对话策略 (3)反射,当用户拒绝操作阶段提出的建议时,更新建议者模型。 文章针对二进制和枚举问题提出了两种对话方案,并分别针对每...
  • 推荐系统是人工智能在实践中最明显的成功案例之一。通常,这些系统的主要任务是为用户指出感兴趣的潜在主题,例如电子商务网站。因此,它们不仅可以在信息超载的情况下帮助用户,还可以对服务提供商的业务做出重大...
  • ©作者|高崇铭、雷文强等来源|社媒派SMP背景介绍推荐系统为工业界带来了巨大的收益。大多数推荐系统都是以静态的方式工作,即从用户历史的交互中来推测用户的兴趣爱好从而做出推荐。然而,这样的方...
  • 机器人 2019 年热度仍然不减,Gitee 上机器人、人工智能、物联网等热门功能分类下也累计了非常多优质开源项目,欢迎来Gitee 与众多开发者一起谈论学习,下面推荐几款 Gitee 上的热门机器人项目,希望大家喜欢:)推荐...
  • 「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为,单向地输出知识并不是一个最好的方式,...
  • 比较成功的对话推荐系统(CRS)能够适当处理对话和推荐的交互作用。 这篇文章主要解决以下三个基本问题,关于商品属性的问题有哪些,何时推荐商品,如何对用户的线上反馈进行自适应。目前,解决这些问题缺少统一的框架...
  • 比较成功的对话推荐系统(CRS)能够适当处理对话和推荐的交互作用。 这篇文章主要解决以下三个基本问题,关于商品属性的问题有哪些,何时推荐商品,如何对用户的线上反馈进行自适应。目前,解决这些问题缺少统一的框架...
  • 对话交互如何与推荐系统结合

    千次阅读 2019-12-31 21:04:36
    本文针对这些问题,谈谈关于对话交互与推荐系统的结合。 目录一、为什么结合对话交互与个性化推荐1.基于知识的推荐2.交互过程3.GUI vs CUI二、对话交互推荐1.用户发起的推荐2.bot发起的推荐-主动推荐 一、为什么结合...
  • 动态策略变化(如果客人本身标签吃素,优先推荐素餐); 自动解决user问题可能含有歧义(contact是qq还是tel) 创新: 使用memory network; 将profile embedding加入到memory的查询向量; 每部查询时...
  • 雷锋网 AI 科技评论按:职业推荐可以视作推荐系统中的一个特例,因为它们需要同时考虑短期和长远目标,这是现有的推荐算法所较难实现的(现有的推荐算法重点关注的是推荐的即时价值)。同时,用户的个人档案所包含的...
  • 对话系统综述

    2020-03-30 20:50:48
    首先,对话系统一般可以分为任务导向型对话系统和非任务导向型对话系统,任务导向型最经典的例子就是订票系统,除此之外,知识问答系统、乃至推荐系统我觉得都可以归类到任务导向型,因为他们都有一定的目标,提供了...
  • 系统2006年上线,吸引了全球220个国家/地区1000多万独立IP访问,数据下载量230万次,年度访问量超过1100万,成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文:https://www.aminer.cn/topic 论文集...
  • 雷锋网 AI 科技评论按:职业推荐可以视作推荐系统中的一个特例,因为它们需要同时考虑短期和长远目标,这是现有的推荐算法所较难实现的(现有的推荐算法重点关注的是推荐的即时价值)。同时,用户的个人档案所包含的...
  • 在目前的解决方案中,基于单轮的即时搜索引擎和传统的多轮对话系统(single round adhoc search engine or traditional multi round dialog system)存在的问题:只考虑用户在当前session的输入,忽略用户的...
  • 人机对话系统具有四大功能 人机对话系统又分下面这三方面:自然语言理解、对话管理、自然语言生成。这里面聊天、知识、任务、推荐,都有各自相应的研究点。具体内容请看PPT。 对话管理(Dialog Management, DM)是...
  • 推荐系统(recommender system) 指的是从用户过去的购买习惯...对话推荐系统(conversational recommender system, CRS) 由于推荐系统更多的是去关注用户过去的偏好,但是用户当前的兴趣可能已经改变。而对话系统更多的..
  • 系统2006年上线,吸引了全球220个国家/地区1000多万独立IP访问,数据下载量230万次,年度访问量超过1100万,成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文:https://www.aminer.cn/topic 聊天...
  • 导读下面论文列表为本小组同学推荐和整理,关于论文细节请联系论文作者。内容涵盖以下研究方向:对抗生成网络、知识图谱补全、对话系统、文本生成。来自:RUCAIBox 公众号本周论文推荐...
  • 【EMNLP2019】最新5篇论文推荐,主要涉及BERT,对话系统,知识图谱,注意力机制等。内容丰富,欢迎大家下载学习。

空空如也

空空如也

1 2 3 4 5 ... 18
收藏数 352
精华内容 140
关键字:

对话推荐系统