【论文阅读】Advances and challenges in conversational recommender systems: A survey

这篇综述论文介绍了对话推荐系统（CRS）的发展现状及其面临的挑战。CRS通过多轮对话动态了解用户偏好，解决了静态模型的两个主要问题：用户喜欢什么和为什么喜欢某个商品。论文详细阐述了CRS的核心挑战和未来研究方向，包括问题导向的偏好获取、多轮对话策略、对话理解和生成、探索与利用的平衡，以及评估方法。研究方向涵盖了从问题导向的偏好获取到多轮对话策略的优化，再到探索与利用的平衡，最终通过用户仿真和评估方法提升系统性能。论文还指出了CRS与现有相关综述的区别，并提出了未来的研究方向和机遇。

    原文标题：Advances and challenges in conversational recommender systems: A survey
    源：https://www.sciencedirect.com/science/article/pii/S2666651021000164

文章目录

• 摘要

  • 1. 引言 Introduction

  • 1.1 静态模型的局限性 Inherent drawbacks of static recommendation models

    • 1.2 CRS的介绍 Introduction of CRSs
    • 1.3 与互动推荐的关联 Potential overlaps with interactive recommendation systems
    • 1.4 与对话型AI的关联 Potential overlaps with other conversational AI systems
    • 1.5 本研究的重点 Focus of this survey
    • 1.6 与现有综述的区别 Distinction from existing related surveys
    • 1.7 组织结构 Survey structure

  • 2. 基于问题的用户偏好引出

  • • 2.1 Asking about items
    • 2.2 Asking about Attributes

• 3.CRS的多轮交互机制

• 4.CRS的对话解析与生成

• 5.探索与利用权衡

• 6.评估机制与用户仿真

• 7.未来研究方向及机遇

• 8.总结

摘要

推荐系统基于交互历史进行研究，已有数十年的发展历史，并已在教育、娱乐等多个领域实现广泛应用。尽管静态推荐系统面临两大亟待解决的核心问题。

• 用户究竟喜欢什么
• 为什么用户喜欢某个物品

该问题源于静态学习模型在用户偏好行为方面的不足（缺乏用户反馈机制）。CRS的兴起有效弥补了这一缺陷（通过自然语言交互、用户反馈机制以及深入探求用户的真实偏好行为）。

1. 基于问题的用户偏好诱导
2. 多轮对话式推荐策略
3. 对话理解与生成
4. 利用探索权衡（E&E）
5. 评估与用户模拟

这些研究包括了IR/NLP/HCI等方向

1.引入 Introduction

推荐系统已成为信息检索中不可或缺的工具。各企业都必须建立用户与商品之间的联系。传统的静态推荐系统通过历史行为数据（如点击、浏览记录等）来预测用户偏好。早期的一些方法，如协同过滤、逻辑回归、因子分解机及梯度提升树等，在实际应用中得到了广泛应用。最近，研究者们开始采用更为复杂但有效的神经网络模型。

1.1 静态模型的问题 Inherent disadvantages of static recommendations

难以解决Two important questions:

（1）用户究竟喜欢什么？

• 历史数据在学习过程中会表现出稀疏性和噪声特征。
• 静态模型的一个核心假设是，用户的偏好通过历史行为得以有效反映。

以下将阐述几个相关问题：

1. 当用户误选商品时，可能会对所选商品产生负面评价。
2. 用户对商品的态度可能会因时间推移而发生转变，基于这些不准确的历史数据，预测用户的喜好将会面临挑战。
3. 冷启动问题是一个需要特别关注的挑战。

总之，通过静态模型很难得到用户精确地偏好。

（2）为什么用户喜欢这个商品？

识别用户为何偏爱某类物品对于构建推荐模型机制具有重要意义，这有助于提升推断用户偏好的能力。在实际应用场景中，影响用户购买决策的因素多种多样。例如，用户可能出于好奇而购买商品，也可能受到他人影响；又或者是在经过深思熟虑后做出决定。值得注意的是，购买相同商品的用户其动机可能各不相同。因此，采用统一的方式对待不同用户，或以单一方式处理同一用户的行为动机是不适宜的。
静态模型在推断用户消费行为背后的动机方面存在局限性。

尽管之前的研究大多基于引入丰富的辅助数据，例如社交网络和知识图谱的方法，旨在解决这些问题，但这些方法的假设存在明显的局限性。在实际应用中，这些辅助数据可能同时存在不完整性和噪声特征。我们坚信，问题的核心在于静态模型（static model）的机制限制。缺乏交互的建模机制严重制约了用户意图的表达，导致机器学习模型与用户之间存在信息不对称。

1.2 CRS的介绍 Introduction of CRSs

定义：该推荐系统基于实时进行的多轮互动来分析用户的偏好，并根据用户的实时需求采取相应的行动。

在狭义层面上，conversation意指通过书面交流或口头交流进行的多轮互动；从广义上讲，conversation不仅涵盖语言交流，还包括通过表格、按键、手势或触控等方式实现的人机互动。对话作为解决信息不对称问题的一种自然方式，具有长期性。通过互动，CRS能够推导出用户先期的需求，并深入分析其购买行为背后的动机。

综合考虑用户过去的偏好以及对话中分析得出的偏好信息，进行推荐服务。即使获得的推荐不完全符合用户需求，也能够及时进行调整。

截止2020，CRS论文的统计数据

1.3 和互动推荐的联系 Connections with interactive recommendations

自推荐系统诞生以来，学者们意识到人机交互的重要性。互动推荐系统（interactive recommendation）和基于评论的推荐系统（critiquing-based recommender systems）可以被视为CRS的早期形式，这些系统通过用户的反馈来优化推荐策略。

Interactive recommendation

• 每个推荐都有一个评价，以表明用户有多高的评价。
• 因为商品种类过多，交互式推荐的效率低下。（可以利用商品的属性信息，理解用户意图，缩小候选商品范围，提高效率）

critiquing-based recommender systems

让用户体验针对某种属性进行反馈，而不是针对某个商品。
根据属性的反馈结果进行推荐。
每次收到反馈信息都会进行推荐，但这种推荐仅在信心水平较高时实施。（CRS通过对话策略决定何时进行询问和推荐）

无论是Interactive recommendation mechanisms 还是critiquing-based recommendation systems ，都仅限于通过预先设定（predefined ）的问题进行互动，而CRS则考虑到更加灵活的互动形式。

1.4 和其他AI对话系统的联系 Interactions with various conversational AI systems

CRS系统并非仅限于处理自然语言，端到端的对话系统在CRS中并未展现出理想的效果。CRS更注重推荐和语言生成，而非仅限于自然语言处理。在应用场景上，CRS与传统对话系统存在显著差异，主要体现在反馈机制和对话深度上。CRS系统更注重用户的反馈，而其他系统则更关注用户的问题。此外，CRS支持多轮对话，而其他系统通常仅进行单轮对话。

1.5 本文重点 Focuses of this survey

CRS通用结构

CRS一般包含一个用户界面、一个对话策略模块以及一个推荐引擎。用户界面：负责人机交互界面的翻译功能。对话策略模块：负责根据用户偏好进行多轮对话的决策。推荐引擎：通过建立实体之间的联系，学习用户对商品及其属性的偏好，并检索所需信息。

五个方向的挑战

1. Question-based user preference elicitation
两个需要解决的问题：
（1）问什么（获取尽可能多的信息）
（2）如何基于回答调整推荐（利用回答中获得的信息尽可能推荐更合适的）
2. multi-turn conversational recommendation strategies
需要考虑何时问并进行、何时推荐。即让模型在（1）继续问问题减少不确定性（2）基于用户当前偏好进行推荐中进行选择。
由于顾客耐心有限，CRS需要通过尽可能少的轮数完成问答。
复杂的CRS会主导对话。
3. natural language understanding and generation
如何向人类一样交流到今天仍是CRS中最大的挑战之一。为了理解用户的偏好和意图，CRS通过：（1）定义预先设定标签（2）shot filling提取用户语义信息，理解用户的话；CRS通过（1）直接提供推荐列表（2）端对端 来生成对话。
4. exploitation-exploration trade-offs

未对全部数据进行探索，仅依赖局部信息（exploitation）进行推荐，所得结果仅是局部最优；而过度的探索会带来大量时间消耗。

推荐系统存在一个主要问题，在用户与系统交互过程中，用户无法全面了解所有感兴趣的商品。冷启动现象在用户中表现得尤为突出。基于交互的推荐系统（CRS）通过主动提供用户尚未了解的商品，从而更精准地捕捉用户偏好。用户能够主动表达自己的偏好意见，系统能够基于此提供更精准的推荐。这一问题的解决需要通过增加探索（exploration）来补充仅依赖于现有用户偏好的推荐策略。然而，探索问题也存在一定的挑战：用户与系统之间的互动精力和时间是有限的；与基于已有用户偏好的推荐相比，与系统无关的推荐可能会削弱用户的偏好表现。

5. evaluation and user simulation

1.6 和现有相关综述区别 Differences with existing related surveys

截至2020年，CRS相关文献仅有一篇，即Jannach等人首次对CRS进行了定义与分类。然而，关于CRS的核心挑战及未来方向仍待进一步探讨。本文旨在回顾CRS的现有进展，并回答以下三个关键问题：首先，CRS究竟是什么？其次，CRS的核心挑战是什么？最后，CRS的未来发展方向又将如何？希望这些探讨能够引发新的思考和想法。

1.7 组织结构 Survey organization

2.通过对话推断用户偏好的方式
3.CRS在多轮互动中的策略设计
4.CRS的对话理解和生成问题及解决方案
5.CRS如何实现端到端的平衡
6.现有CRS评估方法的优缺点分析
7.未来研究方向及挑战分析
8.总结与展望

2. 基于问题的用户偏好引出

用户会通过主动式搜索的方式来寻找具有独特属性的商品，例如“iphone12 red 256gb”。其中，搜索关键词“red”和“256gb”构成了iphone12的核心属性。在这种情况下，用户会主动构建搜索语句，而搜索结果的质量将同时受到搜索引擎算法和用户搜索语句构建方式的影响。

即使系统为用户提供候选搜索语句，用户仍需自行选择合适的问题。除了上述要求外，还须确保用户对搜索的商品具有一定的熟悉度，但这一标准在实际操作中难以完全实现。静态模型由于仅能基于历史数据进行优化，因此会面临第一部分所提及的两个限制性问题。（难以解决Two important questions）

值得庆幸的是，CRS系统能够有效缩小搜索引擎与推荐系统之间的性能差距。通过互动交流，CRS系统能够主动了解用户需求和对商品属性的偏好，从而实现精准的推荐策略。即使用户对推荐结果不满意，CRS系统仍有机会通过对话过程进行调整优化。

2.1 Asking about items

早期研究直接询问用户对于某个

2.2 Asking about Attributes

3.CRS的多轮对话策略

4.CRS的对话理解和生成

5. exploration和exploitation 权衡

6.评估和用户仿真

7.未来的方向和机遇

8.结论