论文链接：https://arxiv.org/pdf/2110.06637.pdf

传统的推荐系统主要利用离线用户数据来训练离线模型，然后向在线用户推荐物品，因此，其天然存在基于稀疏且有噪声的历史数据的用户偏好不可靠估计问题。对话推荐系统（CRS）利用对话系统的交互形式来解决传统推荐系统固有的问题。然而，由于缺乏上下文信息建模，现有的CRS模型无法很好地处理E&E问题，给用户带来了沉重的负担。为了解决上述问题，本文提出了一种为CRS定制的上下文信息增强模型，称为KGenSam。KGenSam将用户交互数据与外部物品属性知识图融合异构图谱，作为上下文交互环境。然后，设计了两个采样器去增强环境知识，主动采样器（active sampler）通过采样高信息量的fuzzy sample来获取用户偏好，负采样器（negative sampler）通过采样高质量的负样本来更新推荐器，二者相辅相成实现用户偏好的高效获取和模型的高效更新，为CRS处理E&E问题提供了强有力的解决方案。在两个真实数据集上的实验结果证明了KGenSam的优越性，与sota方法相比有了显著的改进。

 

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