.png){kind=icon}
返回
Optimizing path reasoning scheme to improve conversational recommendation system
.png){kind=icon}
PRE
AI
DOI：10.1007/s12530-025-09770-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对话推荐系统（CRS）是人机交互领域的一个重要应用，旨在为用户提供个性化和高效的推荐。尽管当前研究已探索使用树结构进行推理以提升系统中实体间的因果关系，但仍存在两个主要挑战未解决。首先，树结构常存在冗余，导致难以精确构建推理分支。此外，从知识图谱中提取的图嵌入在迭代推理过程中可能因信息丢失和歧义问题而受损。为应对这些挑战，我们提出优化路径推理系统（OPRS）以增强CRS。首先，我们应用情感剪枝对树结构进行处理，创建能捕捉用户个性化偏好的全面偏好树。随后，我们开发一种傅里叶融合滤波机制，将嵌入从时域转换到频域，并引入带通滤波器以降低噪声，旨在恢复和补偿图嵌入中可能丢失的信息。此外，我们设计了一个多路径对话采样增强模块，整合了变分自编码器的概念。通过采用隐变量的特定高斯采样，我们在连续空间中生成多样化的对话路径。该方法使对话系统能够更好地理解和应对各种场景，从而提升交互的多样性和丰富性。大量实验证明OPRS方法的有效性。
Keyword:
Conversational recommendation system
Emotional pruning
Fourier transform
Multipath dialogue sampling
期刊
IF:
2.7
论文数:
240
被引数:
1.2K
机构
引用论文
Hierarchical Reinforcement Learning for Conversational Recommendation With Knowledge Graph Reasoning and Heterogeneous Questions基于知识图谱推理和异构问题的分层强化学习会话推荐
PREAI
分享收藏分享收藏分享收藏Dual-space Hierarchical Learning for Goal-guided Conversational Recommendation.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏分享收藏
查看更多内容