核心概念
대화형 추천 시스템에서 지식 그래프와 사전 학습 언어 모델을 활용하여 개체 표현을 향상시키고, 이를 통해 추천 및 대화 생성 성능을 개선할 수 있다.
摘要
이 논문은 대화형 추천 시스템(CRS)에서 지식 그래프와 사전 학습 언어 모델을 활용하여 개체 표현을 향상시키는 KERL 프레임워크를 제안한다.
KERL 프레임워크의 주요 특징은 다음과 같다:
개체의 텍스트 설명을 사전 학습 언어 모델로 인코딩하고, 지식 그래프를 활용하여 개체 표현을 강화한다. 이를 통해 개체에 대한 의미적 이해를 높일 수 있다.
대화 내 개체의 순서 정보를 고려하기 위해 위치 인코딩을 도입한다. 이를 통해 대화 맥락에 더 잘 부합하는 사용자 선호도를 모델링할 수 있다.
개체 기반 사용자 선호도와 대화 맥락 기반 사용자 선호도 간의 차이를 줄이기 위해 대조 학습 기법을 활용한다.
개체 설명과 사전 학습 BART 모델을 통합하여 정보가 풍부하고 다양한 응답을 생성할 수 있다.
실험 결과, KERL은 추천 및 대화 생성 태스크에서 최신 기술 대비 우수한 성능을 보였다. 이는 KERL이 대화형 추천 시스템에서 개체 표현 학습을 효과적으로 향상시킬 수 있음을 보여준다.
統計資料
대화형 추천 시스템에서 KERL은 Recall@1에서 C2-CRS 대비 12.0%, UniCRS 대비 16.6% 향상되었다.
KERL은 Recall@50에서 C2-CRS 대비 5.97%, UniCRS 대비 2.4% 향상되었다.
KERL은 대화 생성 태스크에서 Distinct-2, Distinct-3, Distinct-4 지표에서 각각 21.1%, 53.3%, 111.1% 향상되었다.
引述
"KERL은 지식 그래프와 사전 학습 언어 모델을 활용하여 개체 표현을 향상시키고, 이를 통해 추천 및 대화 생성 성능을 개선할 수 있다."
"KERL은 대화 맥락에 더 잘 부합하는 사용자 선호도를 모델링하기 위해 개체의 순서 정보를 고려한다."
"KERL은 개체 기반 사용자 선호도와 대화 맥락 기반 사용자 선호도 간의 차이를 줄이기 위해 대조 학습 기법을 활용한다."