检索结果-维普期刊中文期刊服务平台

基于用户记忆的对话推荐模型: 1; 作者袁健潘杰忠 +1 位作者孙煜陈佳钦《中文信息学报》 CSCD 北大核心 2023年第8期125-139,共15页; 对话推荐旨在通过与用户对话来获取用户偏好并向其推荐高质量的商品,现有的对话推荐系统大多忽略了用户记忆中的潜在兴趣,导致难以在短时间内准确获取用户偏好。针对这一问题,该文提出了基于用户记忆的对话推荐模型,用户记忆包括用户的... 展开更多; 关键词对话推荐行为序列知识图自注意力机制; 在线阅读下载PDF 职称材料

结合用户长短期偏好的对话推荐方法: 2; 作者冯兴杰张贺《计算机工程与设计》北大核心 2023年第10期3160-3169,共10页; 目前的对话推荐系统过于注重用户当前的偏好信息,更多地被设计成为类似搜索引擎的工具,缺乏个性化。针对该问题,提出一种与序列推荐相结合的对话推荐方法,应用序列推荐为对话推荐系统中项目评分模块提供更为符合用户长短期偏好的项目候... 展开更多; 关键词对话推荐序列推荐交互式路径推理注意力机制推荐系统长短期偏好对话回合; 在线阅读下载PDF 职称材料

对话推荐算法研究综述被引量：13: 3; 作者赵梦媛黄晓雯 +1 位作者桑基韬于剑《软件学报》 EI CSCD 北大核心 2022年第12期4616-4643,共28页; 推荐系统是一种通过理解用户的兴趣和偏好帮助用户过滤大量无效信息并获取感兴趣的信息或者物品的信息过滤系统.目前主流的推荐系统主要基于离线的、历史的用户数据,不断训练和优化线下模型,继而为在线的用户推荐物品,这类训练方式主要... 展开更多; 关键词对话推荐系统用户建模人机交互推荐系统; 在线阅读下载PDF 职称材料

基于负反馈修正的多轮对话推荐系统被引量：3: 4; 作者朱立玺黄晓雯 +1 位作者赵梦媛桑基韬《计算机学报》 EI CAS CSCD 北大核心 2023年第5期1086-1102,共17页; 传统的推荐系统从交互历史中挖掘用户兴趣,面临着无法动态地获取用户实时偏好和细粒度偏好的问题,近年对话推荐系统领域的兴起为此问题提供了新的解决方案.对话推荐系统优势在于其可以动态地和用户进行交互,并在交互过程中获取用户的实... 展开更多; 关键词对话推荐系统强化学习交互负反馈知识图谱协同过滤; 在线阅读下载PDF 职称材料

知识感知的多类型对话推荐: 5; 作者张骏杨燕 +3 位作者霍沛孙宇翔李程烽李勇《中文信息学报》 CSCD 北大核心 2021年第5期110-117,共8页; 智能推荐型对话系统通过丰富的交互方式与用户进行交流,首先收集用户兴趣和偏好,然后主动地向用户推荐其感兴趣的内容。因此,该类系统通常涵盖多种对话类型,如问答、闲聊、推荐等。目前的研究采用流水线模型,存在误差累积的问题。该文... 展开更多; 关键词对话推荐多类型对话外部知识; 在线阅读下载PDF 职称材料

考虑多粒度反馈的多轮对话强化学习推荐算法被引量：3: 6; 作者姚华勇叶东毅陈昭炯《计算机应用》 CSCD 北大核心 2023年第1期15-21,共7页; 多轮对话推荐系统(CRS)以交互的方式获取用户的实时信息,相较于基于协同过滤等的传统推荐方法能够取得更好的推荐效果。然而现有的CRS存在用户偏好捕获不够准确、对话轮数要求过多以及推荐时机不恰当等问题。针对这些问题,提出一种基于... 展开更多; 关键词多轮对话推荐系统反馈信息深度Q学习网络偏好挖掘多粒度; 在线阅读下载PDF 职称材料

利用对话模型引导的对话生成推荐: 7; 作者齐孝龙韩东红 +1 位作者高翟乔百友《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2022年第10期1397-1404,共8页; 对话推荐技术旨在通过与用户的对话交互完成高质量的信息推荐.针对已有研究存在的对话目标预测准确性不高的问题,提出一种利用对话模型引导的对话生成推荐(dialogue guided recommendation of dialogue generation,DGRDG)模型.首先,利... 展开更多; 关键词对话推荐对话生成对话目标规划管道模型对话策略; 在线阅读下载PDF 职称材料

题名基于用户记忆的对话推荐模型: 1; 作者袁健潘杰忠孙煜陈佳钦; 机构上海理工大学光电信息与计算机工程学院; 出处《中文信息学报》 CSCD 北大核心 2023年第8期125-139,共15页; 基金国家自然科学基金(61775139)。; 文摘对话推荐旨在通过与用户对话来获取用户偏好并向其推荐高质量的商品,现有的对话推荐系统大多忽略了用户记忆中的潜在兴趣,导致难以在短时间内准确获取用户偏好。针对这一问题,该文提出了基于用户记忆的对话推荐模型,用户记忆包括用户的历史行为序列和评论、对话记录。首先,通过图神经网络学习评论和对话记录中用户、商品和属性之间的关系信息,保证系统能够提出与用户偏好最相关的问题来尽快了解用户当前需求;其次,利用改进的Transformer建模用户多类型行为序列来学习用户潜在兴趣;最后,与学习到的关系信息融合来做出推荐。在包含多个领域的对话数据集上的实验结果表明,该文提出的模型既能获得更高的推荐准确性又能以更少的对话次数成功推荐商品。; 关键词对话推荐行为序列知识图自注意力机制; Keywords conversational recommendation behavior sequence knowledge graph self-attention mechanism; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名结合用户长短期偏好的对话推荐方法: 2; 作者冯兴杰张贺; 机构中国民航大学计算机科学与技术学院; 出处《计算机工程与设计》北大核心 2023年第10期3160-3169,共10页; 基金国家自然科学青年基金项目(61301245、61201414)。; 文摘目前的对话推荐系统过于注重用户当前的偏好信息,更多地被设计成为类似搜索引擎的工具,缺乏个性化。针对该问题,提出一种与序列推荐相结合的对话推荐方法,应用序列推荐为对话推荐系统中项目评分模块提供更为符合用户长短期偏好的项目候选集,对话推荐中的路径选取操作也可以为序列推荐提供当前用户的偏好信息,二者都可以产生一个更好的推荐效果。通过在两个真实数据集Yelp和LastFM上进行实验比较与分析,该方法的各项评价指标的性能优于现有对话推荐模型。; 关键词对话推荐序列推荐交互式路径推理注意力机制推荐系统长短期偏好对话回合; Keywords conversational recommendation sequence recommendation interactive path reasoning attention mechanism recommendation system long and short term preferences conversation turns; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名对话推荐算法研究综述被引量：13: 3; 作者赵梦媛黄晓雯桑基韬于剑; 机构北京交通大学计算机与信息技术学院北京交通大学人工智能研究院交通数据分析与挖掘北京市重点实验室(北京交通大学); 出处《软件学报》 EI CSCD 北大核心 2022年第12期4616-4643,共28页; 基金国家重点研发计划(2018AAA0100604) 中央高校基本科研专项(2021RC217) +1 种基金北京市自然科学基金(JQ20023) 国家自然科学基金(61632002,61832004,62036012,61720106006)。; 文摘推荐系统是一种通过理解用户的兴趣和偏好帮助用户过滤大量无效信息并获取感兴趣的信息或者物品的信息过滤系统.目前主流的推荐系统主要基于离线的、历史的用户数据,不断训练和优化线下模型,继而为在线的用户推荐物品,这类训练方式主要存在3个问题:基于稀疏且具有噪声的历史数据估计用户偏好的不可靠估计、对影响用户行为的在线上下文环境因素的忽略和默认用户清楚自身偏好的不可靠假设.由于对话系统关注于用户的实时反馈数据,获取用户当前交互的意图,因此“对话推荐”通过结合对话形式与推荐任务成为解决传统推荐问题的有效手段.对话推荐将对话系统实时交互的数据获取方式应用到推荐系统中,采用了与传统推荐系统不同的推荐思路,通过利用在线交互信息,引导和捕捉用户当前的偏好兴趣,并及时进行反馈和更新.在过去的几年里,越来越多的研究者开始关注对话推荐系统,这一方面归功于自然语言处理领域中语音助手以及聊天机器人技术的广泛使用,另一方面受益于强化学习、知识图谱等技术在推荐策略中的成熟应用.将对话推荐系统的整体框架进行梳理,将对话推荐算法研究所使用的数据集进行分类,同时对评价对话推荐效果的相关指标进行讨论,重点关注于对话推荐系统中的后台对话策略与推荐逻辑,对近年来的对话推荐算法进行综述,最后对对话推荐领域的未来发展方向进行展望.; 关键词对话推荐系统用户建模人机交互推荐系统; Keywords conversational recommendation system(CRS) user modeling human-computer interaction recommendation system; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于负反馈修正的多轮对话推荐系统被引量：3: 4; 作者朱立玺黄晓雯赵梦媛桑基韬; 机构北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室(北京交通大学); 出处《计算机学报》 EI CAS CSCD 北大核心 2023年第5期1086-1102,共17页; 基金中央高校基本科研专项资金(2021RC217) 国家自然科学基金(62202041)资助。; 文摘传统的推荐系统从交互历史中挖掘用户兴趣,面临着无法动态地获取用户实时偏好和细粒度偏好的问题,近年对话推荐系统领域的兴起为此问题提供了新的解决方案.对话推荐系统优势在于其可以动态地和用户进行交互,并在交互过程中获取用户的实时偏好,从而提高推荐系统准确率,提升用户体验.然而对话推荐系统相关研究工作中缺乏对负反馈的充分利用,难以对用户偏好表示进行细粒度的修正,即难以有效平衡用户长期偏好和实时偏好之间的关系,同时存在属性候选集过大导致交互轮次过多的问题.因此,本文基于经典的对话推荐框架CPR(Conversational Path Reasoning)提出了一种能够有效利用用户负反馈的对话推荐模型NCPR(Negative-feedback-guide Conversational Path Reasoning).不同于现有的对话推荐系统工作,NCPR能够充分利用用户在交互过程中给出的属性粒度和物品粒度的负反馈对用户的偏好表示进行动态的修正.此外,CPR将对话推荐建模为一个图上的路径推理问题,NCPR使用协同过滤算法基于属性粒度的负反馈对属性候选集进行重排序,在利用图结构的自然优势限制属性候选集大小的同时,进一步减少候选属性空间大小.四个基准数据集上的实验结果表明,NCPR在推荐准确率和平均交互轮次两个评价指标上的表现优于先进的基线模型.最后,我们设计并实现了一个网页端的对话推荐系统,与在线用户进行交互产生推荐结果,证明了NCPR在真实的对话推荐场景下的有效性.; 关键词对话推荐系统强化学习交互负反馈知识图谱协同过滤; Keywords conversational recommendation systems reinforcement learning interactive negative feedback knowledge graph collaborative filtering; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名知识感知的多类型对话推荐: 5; 作者张骏杨燕霍沛孙宇翔李程烽李勇; 机构华东师范大学计算机科学与技术学院; 出处《中文信息学报》 CSCD 北大核心 2021年第5期110-117,共8页; 文摘智能推荐型对话系统通过丰富的交互方式与用户进行交流,首先收集用户兴趣和偏好,然后主动地向用户推荐其感兴趣的内容。因此,该类系统通常涵盖多种对话类型,如问答、闲聊、推荐等。目前的研究采用流水线模型,存在误差累积的问题。该文提出基于Transformer的具有知识感知能力的对话生成模型完成面向推荐的多类型对话任务。该模型使用Transformer解码器隐式地学习对话目标路径并生成回复。此外,该文通过引入知识编码器和基于知识词表的Copy机制,提升模型对知识的感知能力。在DuRecDial数据集上的实验表明,提出的模型和基线模型相比在自动评估中取得了显著的性能提升,其中F1、BLEU与Distinct分别提升了59.08%、110%、66.14%。该模型在2020语言与智能技术竞赛:面向推荐的对话任务中获得第三名。; 关键词对话推荐多类型对话外部知识; Keywords conversational recommendation multi-type dialogue outside knowledge; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名考虑多粒度反馈的多轮对话强化学习推荐算法被引量：3: 6; 作者姚华勇叶东毅陈昭炯; 机构福州大学计算机与大数据学院; 出处《计算机应用》 CSCD 北大核心 2023年第1期15-21,共7页; 基金福建省科技计划项目(2018H6010)。; 文摘多轮对话推荐系统(CRS)以交互的方式获取用户的实时信息,相较于基于协同过滤等的传统推荐方法能够取得更好的推荐效果。然而现有的CRS存在用户偏好捕获不够准确、对话轮数要求过多以及推荐时机不恰当等问题。针对这些问题,提出一种基于深度强化学习且考虑用户多粒度反馈信息的对话推荐算法。不同于现有的CRS,所提算法在每轮对话中同时考虑用户对商品本身以及更细粒度的商品属性的反馈,然后根据收集的多粒度反馈对用户、商品和商品属性特征进行在线更新,并借助深度Q学习网络(DQN)算法分析每轮对话后的环境状态,从而帮助系统作出较为恰当合理的决策动作,使它能够在比较少的对话轮次的情况下分析用户购买商品的原因,更全面地挖掘用户的实时偏好。与对话路径推理(SCPR)算法相比,在Last. fm真实数据集上,算法的15轮推荐成功率提升了46.5%,15轮推荐轮次上缩短了0.314轮;在Yelp真实数据集上,算法保持了相同水平的推荐成功率,但在15轮推荐轮次上缩短了0.51轮。; 关键词多轮对话推荐系统反馈信息深度Q学习网络偏好挖掘多粒度; Keywords multi-round conversational recommendation system feedback information Deep Q-Network(DQN) preference mining multi-granularity; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名利用对话模型引导的对话生成推荐: 7; 作者齐孝龙韩东红高翟乔百友; 机构东北大学计算机科学与工程学院; 出处《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2022年第10期1397-1404,共8页; 基金国家重点研发计划项目(2019YFB1405300) 国家自然科学基金资助项目(61672144) 中央高校基本科研业务费专项资金资助项目(N2016009).; 文摘对话推荐技术旨在通过与用户的对话交互完成高质量的信息推荐.针对已有研究存在的对话目标预测准确性不高的问题,提出一种利用对话模型引导的对话生成推荐(dialogue guided recommendation of dialogue generation,DGRDG)模型.首先,利用对话模型生成对话目标,通过经典的Seq2Seq模型融合输入的对话历史、用户画像以及知识信息来生成对话目标;其次,提出目标重规划策略(goal replan policy,GRP)来修正生成的对话目标,以提高对话目标预测的准确率.在DuRecDial数据集上进行实验的结果表明,对话目标生成模块在引入目标重规划策略后,对话目标预测的准确率提高了3.93%;总体模型在BLEU,DISTINCT,F1以及人工评价指标上具有较好的效果.; 关键词对话推荐对话生成对话目标规划管道模型对话策略; Keywords conversational recommendation dialogue generation dialogue goal planning pipeline model dialogue policy; 分类号 TP20 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于用户记忆的对话推荐模型	袁健潘杰忠孙煜陈佳钦	《中文信息学报》 CSCD 北大核心	2023	0	在线阅读下载PDF 职称材料
2	结合用户长短期偏好的对话推荐方法	冯兴杰张贺	《计算机工程与设计》北大核心	2023	0	在线阅读下载PDF 职称材料
3	对话推荐算法研究综述	赵梦媛黄晓雯桑基韬于剑	《软件学报》 EI CSCD 北大核心	2022	13	在线阅读下载PDF 职称材料
4	基于负反馈修正的多轮对话推荐系统	朱立玺黄晓雯赵梦媛桑基韬	《计算机学报》 EI CAS CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
5	知识感知的多类型对话推荐	张骏杨燕霍沛孙宇翔李程烽李勇	《中文信息学报》 CSCD 北大核心	2021	0	在线阅读下载PDF 职称材料
6	考虑多粒度反馈的多轮对话强化学习推荐算法	姚华勇叶东毅陈昭炯	《计算机应用》 CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
7	利用对话模型引导的对话生成推荐	齐孝龙韩东红高翟乔百友	《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心	2022	0	在线阅读下载PDF 职称材料