数字化场景下面向推荐任务的对话生成研究

As key in information retrieval, in recent years recommender systems have been widely applied in various digital scenarios. With the development of the mobile internet, requests from users are changing rapidly. The emergence of personal assistants in mobile phones, e.g., Siri from Apple, is profoundly changing the way that people use recommender systems. In massive digital scenarios, conversational interactions start to enter people's lives in a natural way. Currently, a series of dialogue generation research approaches have been proposed around this topic. However, three challenging problems still exist in current solutions, i.e., how to improve the effectiveness of the dialogue system, how to improve the fine-grained personalization, and how to improve the accuracy of background knowledge embedding within a specific digital scenario. To address these problems, we aim to study the recommendation-oriented dialogue generation in this project. We plan to explore to avoid massive human labeling during training procedure and reduce the complexity of algorithms. Moreover, we explore the personalized and emotional dialogue generation procedure for users; thereafter, we study how to embed background knowledge into the process of dialogue generation and generate an accurate response. Our research not only promotes the development of e-commerce, medical big data, and other related fields, but also provides systematic guidance and methodological assistance for the next generation of recommender systems.

推荐系统作为信息检索中的核心工作，近年来在不同的数字化场景中得到了极为广泛的应用。随着移动互联网的进一步发展，用户的需求在发生着巨大的变化，以Siri为代表的语音助手的出现正在深刻着改变人们对于推荐系统的使用方式和习惯。在多种数字化场景中，对话式交互以一种更自然的方式进入人们的生活。目前已经有一系列的对话生成方法被提出，但在提升对话系统的实效性，细粒度的个性化内容，以及背景知识准确嵌入对话这几个方面仍然存在较大改善空间。针对这些问题，本项目拟充分研究针对面向推荐的对话生成任务，探索如何避免大规模人工标注并降低算法复杂度，同时探索用户个性化和情绪化对话生成的方法。在这基础上，研究如何将背景知识带入对话中并生成准确的回复。开展本项研究，不仅可以进一步推进电子商务，大数据医疗等相关领域的快速发展，同时也能为下一代推荐系统的发展提供提供理论指导和方法借鉴。

本项目充分研究了面向推荐的对话生成任务，主要解决了以下几个问题。首先，针对现有模型训练需要海量人工标注数据的问题，本项目基于拷贝机制和半监督神经网络，建立了半监督对话状态跟踪模型，显式跟踪任务导向对话生成，实现了对未标注数据的信息获取和表示。同时，本项目以现有深度学习和语言生成方法为基础，设计了更加精简的端到端对话生成模型，在多轮面向推荐的对话中实时追踪对话状态，显著简化了现有回复生成方案和算法。此外，本项目针对现有方法难以实现细粒度、个性化对话式推荐的问题，深度分析推荐系统中的用户行为特点，利用多模态异构数据和图表示算法，根据连续多次用户需求反馈，构建了多维度、个性化用户画像。在此基础上，本项目还构建了面向个性化多轮情感对话的完整语料库，设计了基于强化学习和多头注意力机制的用户情绪识别和模拟模块，最大化用户的情感体验，有效促进推荐导向的对话中用户的积极情绪心态。针对复杂背景知识难以有效带入对话过程的问题，本项目利用知识图谱表征技术和对抗生成网络，实现了从用户评论和画像中直接提取相关知识，建立能够应用于实际推荐场景下的端到端回复生成模型，显著提升了对话回复生成的准确度。最后，本项目积极主动地和有实际问答和对话系统需求的公司合作，研究并开发了面向对话式推荐系统的在线测试平台和集成仿真系统，有效对用户需求和具体场景进行应用定制和仿真，利用数据处理软件对仿真实验数据进行分析，依据仿真结果完善相应的机制和算法。综上，本项目的开展覆盖了预计的研究范围，并在此基础上进行了拓展，达到了预期的研究目的。

内容获取失败，请点击重试