CRS(6)阅读笔记：WWW2022-Multi-Choice Questions based Multi-Interest Policy Learning for Conversational...

最新被WWW2022接收的CRS研究工作。
该工作在基本的CRS框架上，提出多项选择的形式代替常见的二元(Yes/No)交互，并考虑用户潜在兴趣的多样性。
相关资料：https://www.jianshu.com/p/d0151d43e709

Main Story

本文主要针对多轮对话推荐(Multi-round CRS)进行研究：多次询问属性，进行多次推荐
已有的工作中往往假设：用户对所有的属性和项目都保持着明确的偏好，这可能经常会偏离真实情况。
对于求助于CRS的用户来说，他可能没有一个明确的想法关于他真正喜欢什么。
- 具体来说，用户可能对某些属性类型（如颜色）的物品有明确的单一偏好；
- 而对其他属性类型（如品牌），用户可能有多种偏好，甚至没有明确的偏好。
- 在CRS的引导下，他可以接受一个属性类型的多个属性实例（例如，红色和黑）。此外，这些属性实例的不同组合通常与不同的物品相关。
因此，用户可以在多个属性实例的组合下显示他对物品的偏好，而不是一个具有所有属性实例的独特组合的单一物品。

针对以上问题，本文的工作如下：
将MCR扩展到一个更现实的场景，即多兴趣多轮对话推荐（MIMCR），其中用户可能对属性实例组合有多种兴趣，并接受多个属性实例组合部分重叠的物品。
如上图，用户想要一件黑色的T恤衫。对于诸如 "风格 "或 "品牌 "等属性类型，他可以接受一个或多个实例。他对 "Nike-brand "和 "sports "的组合以及 "solid "和 "polo "的组合分别表现出兴趣。用户可以接受一件 "黑色纯色polo "T恤或一件 "黑色Nike-品牌运动 "T恤衫。由于CRS成功地推荐了其中一个，任务就会完成。

在MIMCR方案下，现有的工作可能会遇到三个重要的限制 MIMCR的情况下，现有的工作可能会遇到三个重要的限制。

首先，目前的CRS框架通常采用二元提问("你是否喜欢XXX"， A: Yes/No)，这很简单，但不能有效地激发用户的兴趣。如图1中的对话（a）所示，尽管用户接受了CRS提出的所有属性实例，但它们的组合并不能引起用户的兴趣。CRS提出的所有属性实例，但这些实例的组合并没有指向用户喜欢的任何目标物品。
其次，如图1中的对话（b）所示，CRS可以通过使用多选题有效地获得用户的偏好。然而，
现有的方法利用交集策略来选择与所有被接受的属性实例相关的物品，这很容易导致在对话过程中过度过滤用户偏好的候选物品。
最后，现有的方法只是简单地对用户的意图进行统一建模，而忽略了用户兴趣的多样性，这往往会导致无法通过属性实例的组合来识别用户的多种兴趣。