تهدف أنظمة التوصية التفاعلية (CRS) إلى اقتراح عناصر مناسبة للمستخدمين من خلال محادثات باللغة الطبيعية. وفي سياق تطوير أنظمة CRS الفعّالة، يُعدّ التحدي التقني الرئيسي هو كيفية استخلاص تفضيلات المستخدم بدقة من سياق محادثة محدود جدًا. ولحل هذه المشكلة، يُعدّ الحل الواعد هو دمج بيانات خارجية لتعزيز معلومات السياق. ومع ذلك، ركّزت الدراسات السابقة بشكل رئيسي على تصميم نماذج اندماج مخصصة لنوع معين من البيانات الخارجية، وهو ما يفتقر إلى المرونة اللازمة لتمثيل واستخدام بيانات خارجية متعددة الأنواع.ولتمكين الاستفادة الفعّالة من البيانات الخارجية متعددة الأنواع، نقترح إطارًا جديدًا للتعلم التبايني من المستوى الخشن إلى الدقيق، بهدف تحسين اندماج المعاني في البيانات بالنسبة لأنظمة التوصية التفاعلية. في نهجنا، نستخرج أولًا ونمثل وحدات معنوية متعددة المدى من إشارات بيانات مختلفة، ثم نُجري تطابقًا بين الوحدات المعنية من أنواع متعددة من المعاني بطريقة خشنة ثم دقيقة. ولتنفيذ هذا الإطار، صممنا إجراءات على مستويين: خشن ودقيق، لتمثيل تفضيلات المستخدم، حيث يركّز الأول على اندماج معنويات عامة وشاملة، بينما يركّز الثاني على اندماج معنويات دقيقة ومحددة. ويمكن توسيع هذا النهج لاستيعاب أنواع إضافية من البيانات الخارجية. وقد أظهرت التجارب الواسعة على مجموعتي بيانات علنيتين لأنظمة CRS فعالية نهجنا في مهام التوصية والمحادثة على حد سواء.