MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models

对话式推荐系统旨在通过多轮自然语言对话捕捉用户偏好并提供个性化推荐。然而，大多数现有的对话式推荐系统模型主要关注当前对话会话中的对话理解和偏好挖掘，忽视了用户在历史对话会话中的偏好。用户历史对话会话中嵌入的偏好与当前会话具有连续性和顺序性，我们将具有这种特征的对话式推荐系统称为顺序对话式推荐系统。在这项工作中，我们利用增强记忆的大型语言模型来建模偏好连续性，主要关注解决两个关键问题：（1）历史对话会话中的冗余和噪声，以及（2）冷启动用户问题。为此，我们提出了一种记忆增强的基于大型语言模型的对话式推荐系统框架（称为MemoCRS），包括用户特定记忆和通用记忆。用户特定记忆针对每个用户的个性化兴趣进行定制，并通过基于实体的记忆库来细化偏好和检索相关记忆，从而减少历史会话的冗余和噪声。通用记忆包含协作知识和推理指南，可以为用户提供共享知识，特别是冷启动用户。有了这两种记忆，大型语言模型可以为每个用户提供更精确和个性化的推荐。对中英文数据集进行的广泛实验证明了MemoCRS的有效性。

本论文旨在解决现有对话推荐系统（CRS）模型主要关注当前对话会话中的偏好挖掘，而忽略了用户历史对话中的偏好连续性和顺序性的问题。

论文提出了一种基于记忆增强的大型语言模型（LLMs）的对话推荐系统框架MemoCRS，包括用户特定记忆和通用记忆。用户特定记忆通过实体化的记忆库来为每个用户提供个性化的兴趣和减少历史对话的冗余和噪声。通用记忆则提供协作知识和推理指南，特别是为冷启动用户提供共享知识。这种记忆增强的方法能够更准确地为每个用户提供个性化的推荐。

论文在中英文数据集上进行了广泛的实验，证明了MemoCRS的有效性。值得注意的是，该论文的方法不仅考虑了当前对话会话中的偏好挖掘，还考虑了用户历史对话中的偏好连续性和顺序性，从而提高了推荐的准确性。此外，该论文还提出了一种基于实体化记忆库的个性化兴趣建模方法，可以减少历史对话的冗余和噪声。该论文开源了代码，为研究者提供了参考。

最近在这个领域中，还有一些相关的研究，如《Sequential Recommender Systems: Challenges, Progress and Prospects》、《A Survey on Conversational Recommender Systems》等。