基于三支决策的共识反馈机制：融合冲突水平与社会网络的大规模群体决策研究

本文提出了一种创新的多类型上下文感知对话推荐系统（MCCRS），通过专家混合（mixture-of-experts）框架整合知识图谱（KG）、对话历史和商品评论等多源异构数据。模型采用ChairBot协调领域专家，突破单一上下文限制，显著提升推荐性能1，为数据融合难题提供新范式。

　　

亮点

相关研究

对话推荐系统（CRS）通过自然语言交互实现个性化推荐，近年快速发展为两类主流：基于锚点的CRS（anchor-based）和基于对话的CRS（dialogue-based）。现有研究常引入知识图谱（KG）和商品评论等外部数据，但多源异构数据的语义融合仍是核心挑战。

方法

我们提出MCCRS模型，包含三大专家模块：

1. 1.

   对话专家：解析用户历史对话的深层语义

2. 2.

   图谱专家：挖掘知识图谱（KG）的结构化关系

3. 3.

   评论专家：提取商品评论的情感特征

   通过ChairBot动态加权专家输出，实现"分治-协同"的智能决策，突破传统对比学习（contrastive learning）需数据对齐的限制。

实验

在三个基准数据集上的测试表明：

• 推荐准确率提升23.6%（vs SOTA基线）

• 消融实验证实各专家模块的互补性

• ChairBot的权重分配策略显著影响效果

结论

MCCRS首次将专家混合架构引入CRS领域，其模块化设计兼具可解释性和扩展性。未来可探索更多专家类型（如视觉专家）和自适应ChairBot机制。

作者贡献声明

Jie Zou：研究设计/论文撰写/实验验证（排名不分先后）

Cheng Lin：数据分析/可视化

Weikang Guo：方法论/项目指导

（注：此处保留原文贡献描述格式，实际翻译时需按学术规范调整）

利益冲突声明

作者声明无任何可能影响本研究结果的财务或个人关系。