KDD 2020 | 会话推荐系统新进展:基于互信息最大化的多知识图谱语义融合
论文标题: Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion 论文来源: ACM SIGKDD 2020 论文链接: https://arxiv.org/abs/2007.04032 会话推荐系统(conversation recommender system, CRS)旨在通过交互式的会话给用户推荐高质量的商品。通常CRS由寻求商品的user和推荐商品的system组成,通过交互式的会话,user实时表达自己的意图,system理解user的偏好并推荐商品。目前会话推荐系统有两个问题需要解决。首先,对话数据本身缺少足够的上下文信息,无法准确地理解用户的偏好(传统的推荐任务会有历史交互序列或者用户属性,但是该场景下只有对话的记录)。其次,自然语言的表示和商品级的用户偏好之间存在语义鸿沟(在“Can you recommend me a scary movie like Jaws”中,用户偏好反映在单词”scary“和电影实体”Jaws“上,但这两类信息天然存在语义的差异)。 为了解决上述问题,本文提出了模型 KG -based S emantic F usion approach(KGSF),通过互信息最大化的多知识图谱语义融合技术