论文链接：https://irlab.science.uva.nl/wp-content/papercite-data/pdf/ren-2022-variational.pdf

本文提出了一种基于用户偏好的对话式推荐系统（User Preferences for Conversational Recommendation，UPCR）,分别从历史对话和当前对话中推理用户的长期和短期偏好，为解决无标注问题，我们将长短期用户偏好视为两个相互独立的隐变量，并使用变分贝叶斯推断来近似准确的后验概率分布，在推荐阶段，除了用户偏好，我们还引入外部知识来增强话题与物品之间的相关性，实验结果证明了所提方法的有效性。
贡献总结如下：
1.在基于话题引导对话式推荐系统中，我们提出了UPCR来挖掘用户的长期偏好和短期偏好。
2.为解决用户偏好无标注的问题，我们对用户偏好建模，使用变分贝叶斯算法来推断用户的长期偏好和短期偏好。
3.除了用户偏好，我们还引入了外部知识来提升话题预测和推荐的准确率。
4.UPCR在两个对话式推荐数据集上的效果都超过了其他模型，证明了UPCR的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除