超越文本：将共现现象纳入基于评论的对话推荐系统

《ACM Transactions on Information Systems》：Beyond Texts: Incorporating Co-occurrences into the Review-based Conversation Recommendation Systems.

针对对话推荐系统(CRS)中忽视共现关系的问题，本文提出CoCRS框架，从item-entity和user-item双维度挖掘共现关系，构建知识图谱驱动的异构图与情感感知二部图，通过时间维度建模用户偏好，结合词导向KG生成用户表示，实验表明其在冷启动和LLM应用中优于基线。

　　

摘要

对话推荐系统（CRS）通过自然语言与用户交互，提供推荐并生成响应。由于对话中的信息有限，现有研究利用知识图谱（KG）或评论来改进CRS。尽管取得了一定的成果，但这些方法忽略了共现关系，而共现关系在协同过滤系统中已被证明是有效的。在这项工作中，我们首次提出了一种名为CoCRS的新框架，旨在将共现关系融入基于评论的对话推荐系统中。在CoCRS中，我们从两个方面挖掘共现关系：（1）项目与实体；（2）用户与项目。对于第一方面，我们利用知识图谱从冗余的评论文本中提取实体，并构建一个考虑关系的项目-实体异构图。对于第二方面，我们分析评论的情感倾向，并构建一个考虑情感的用户-项目二分图。我们对这两个图进行编码，以获得用户和实体的嵌入表示。由于CRS中的用户是匿名的，我们生成一个虚拟的相似用户表示，以便将评论与用户匹配。此外，我们还从两个时间维度捕获了时间敏感的偏好表示。最后，我们利用以词为中心的知识图谱生成词级用户表示，并通过整合上述表示来建模用户偏好。广泛的实验表明，CoCRS的性能优于基线方法，而冷启动实验凸显了其鲁棒性。大语言模型（LLM）实验说明了共现关系在基于LLM的CRS中的重要作用。我们的代码可在https://github.com/Qin-lab-code/CoCRS获取。