【文献精读】AAAI24:FacetCRS：打破对话推荐系统中的“信息茧房”

标题	FacetCRS: Multi-Faceted Preference Learning for Pricking Filter Bubbles in Conversational Recommender System
期刊	The Thirty-Eighth AAAI Conference on Artificial Intelligence (AAAI-24)
年份	2024
关键词	Conversational Recommender System (CRS), Filter Bubbles, Multi-Faceted Preference Learning, Knowledge Graph, Natural Language Processing

🌟研究背景

在当今信息爆炸的时代，推荐系统已成为我们获取信息的重要工具。然而，推荐系统中的“信息茧房”现象却引发了广泛关注。所谓“信息茧房”，是指用户长期被系统推送与自身偏好高度一致的内容，导致信息视野狭窄，缺乏多样性。尤其在对话推荐系统（CRS）中，这一问题更为突出。传统的推荐方法大多关注静态场景，忽略了用户与系统交互过程中“信息茧房”的动态加剧。本文聚焦于如何在动态交互中打破“信息茧房”，提升推荐系统的多样性与用户满意度。

🧬相关工作

以往的研究主要集中在静态推荐场景下的“信息茧房”问题，通过分析用户行为数据和偏好标签来缓解这一现象。然而，这些方法大多依赖于稀疏的历史数据，难以充分挖掘用户的多样化偏好。此外，部分研究尝试通过强化学习等手段在交互式推荐系统中缓解“信息茧房”，但这些方法的交互形式较为单一，无法充分利用自然语言表达的复杂用户偏好。本文在对话推荐系统框架下，提出了一种全新的多维度偏好学习方法，通过整合多种知识源，动态捕捉用户偏好，以打破“信息茧房”。

🎨模型架构与输入输出

FacetCRS模型架构如下图所示：

输入：

• 用户与系统的对话历史（文本形式）。

• 用户对物品的评论数据。

• 知识图谱中的实体和单词关系。

输出：

• 推荐物品列表。

• 下一个对话回合的生成文本。

模型通过多维度偏好学习模块，将用户偏好分解为实体、单词、上下文和评论四个维度，分别建模并融合，最终生成综合的用户偏好表示。这一表示不仅用于精准推荐，还用于生成自然流畅的对话回复。

🔬方法与创新

多维度偏好学习

1. 实体维度：利用DBpedia知识图谱提取与物品相关的实体，通过关系图卷积网络（RGCN）学习实体嵌入，增强用户与物品之间的关系建模。这使得系统能够发现与当前物品相关的新物品，从而提供多样化的推荐。

   创新点

2. 多维度偏好建模：首次在对话推荐系统中将用户偏好分解为实体、单词、上下文和评论四个维度，全面捕捉用户多样化偏好。

3. 端到端框架：提出一个端到端的对话推荐系统框架，自适应学习不同层次的偏好表示和多方面知识，提升推荐质量和对话生成能力。

4. 动态交互缓解“信息茧房”：通过自然语言对话中的实时用户-物品交互，动态调整推荐内容，有效缓解“信息茧房”现象。

• 📊实验结果

  推荐任务

  在REDIAL和TG-REDIAL数据集上，FacetCRS在Recall@k指标上显著优于现有基线方法，证明了其在推荐任务中的优越性。

  数据集	R@1	R@10	R@50
  REDIAL	0.041*	0.202*	0.386*
  TG-REDIAL	0.006*	0.034*	0.080*

  对话任务

  在自动评估（Distinct n-gram）和人工评估（Fluency和Informativeness）中，FacetCRS均优于现有方法，证明了其在对话生成任务中的优势。

数据集	D-2	D-3	D-4	Fluency	Informativeness
REDIAL	0.126*	0.209*	0.305*	1.50*	1.39*
TG-REDIAL	0.113*	0.228*	0.312*	-	-

“信息茧房”缓解

通过Iso-Index和Coverage指标，以及物品相似性热图，验证了FacetCRS在缓解“信息茧房”方面的有效性。

数据集	Iso-Index ↓	Coverage ↑
REDIAL	0.0856	7.6436
TG-REDIAL	0.0902	10.8172

📈总结

FacetCRS通过多维度偏好学习，动态捕捉用户偏好，有效缓解了对话推荐系统中的“信息茧房”现象。其创新的多维度融合方法和端到端框架，不仅提升了推荐质量，还增强了对话生成能力。未来，我们期待这一方法在更多实际场景中的应用，为用户提供更加个性化、多样化的推荐体验。

#FacetCRS #对话推荐系统 #信息茧房 #多维度偏好学习