SAPIENT: Mastering Multi-turn Conversational Recommendation with Strategic Planning and Monte Carlo Tree Search

本文介绍了一种名为SAPIENT的新型对话推荐系统框架，它采用蒙特卡洛树搜索（MCTS）算法来构建对话搜索树，以优化对话规划。SAPIENT由对话代理（S-agent）和对话规划器（S-planner）组成。S-planner利用S-agent提供的初始动作构建对话搜索树，以找到最佳对话方案。S-planner找到的最佳对话方案用于指导S-agent的训练，从而创建一个自我训练循环，使S-agent可以迭代地提高其对话规划能力。此外，本文还提出了一种高效的变体SAPIENT-e，以在训练效率和性能之间进行权衡。在四个基准数据集上的大量实验证明了我们方法的有效性，表明SAPIENT优于现有的基线模型。

论文试图解决推荐系统中对话规划的问题，提出了一种基于蒙特卡罗树搜索的对话规划框架SAPIENT，旨在提高对话规划的效率和性能。

SAPIENT框架由对话代理和对话规划器组成，对话规划器使用MCTS算法构建对话搜索树，以寻找最佳对话计划，并将其用于指导对话代理的训练，形成自我训练循环，从而提高对话规划的能力。

论文通过在四个基准数据集上的实验验证了SAPIENT框架的有效性，取得了比现有方法更好的性能。同时，论文提出了一种高效的SAPIENT-e变体，以在训练效率和性能之间进行权衡。

在最近的相关研究中，有一些使用强化学习的方法来解决对话规划问题，例如基于贪心或采样策略的RL-based agent。