多源上下文融合的专家混合对话推荐系统(MCCRS)：突破异构数据瓶颈的协同学习框架

本文提出创新性多类型上下文感知对话推荐系统(MCCRS)，通过专家混合(MoE)架构整合知识图谱(KG)、对话历史和商品评论等异构数据。采用主席机器人(ChairBot)协调三大领域专家，有效解决语义鸿沟问题，在推荐准确性和可解释性上显著超越现有基线方法1。

　　

Highlight

相关研究

对话推荐系统通过自然语言交互实现个性化推荐，可分为基于锚点(anchor-based)和基于对话流(flow-based)两类。现有研究多采用知识图谱(KG)或评论数据增强上下文，但面临结构化与非结构化数据融合的挑战。

方法论

MCCRS系统包含三大专家模块：

1. 1.

   对话专家：处理对话历史序列，采用Bi-LSTM捕捉时序特征

2. 2.

   图谱专家：基于TransR算法编码KG实体关系

3. 3.

   评论专家：通过BERT提取用户评论的深层语义

   主席机器人(ChairBot)动态计算专家权重，实现自适应特征融合

实验验证

RQ1：在ReDial和TG-ReDial数据集上，MCCRS的NDCG@10提升12.7%

RQ2：消融实验显示各专家贡献度为：评论专家(38%)＞图谱专家(35%)＞对话专家(27%)

RQ3：专家数量超过3个时出现性能饱和现象

结论

MCCRS首创的ChairBot协调机制突破单源信息瓶颈，未来将扩展至医疗健康对话系统，探索基因数据与临床指南的多模态融合。