تهدف أنظمة التوصية التفاعلية (CRS) إلى استخلاص تفضيلات المستخدمين بشكل استباقي وتوصية بعناصر عالية الجودة من خلال محادثات بلغة طبيعية. عادةً، تتكون أنظمة CRS من وحدة توصية تُقدّر العناصر المفضّلة للمستخدمين، ووحدة محادثة تُولّد ردودًا مناسبة. ولتطوير نظام CRS فعّال، من الضروري دمج هاتين الوحدتين بشكل سلس. وتعتمد الدراسات الحالية إما على تصميم استراتيجيات محاذاة معنوية، أو مشاركة موارد المعرفة والتمثيلات بين الوحدتين. ومع ذلك، لا تزال هذه النماذج تعتمد على معماريات أو تقنيات مختلفة لتطوير الوحدتين، مما يجعل دمج الوحدتين بشكل فعّال أمرًا صعبًا.ولحل هذه المشكلة، نقترح نموذجًا موحدًا لـ CRS يُسمى UniCRS، مبنيًا على التعلم المُحفّز المعزز بالمعرفة. يوحّد نهجنا المهام الفرعية للإرشاد والمحادثة ضمن منهجية التعلم المُحفّز، ويستخدم محفّزات معززة بالمعرفة بناءً على نموذج لغوي مُدرّب مسبقًا (PLM) لتحقيق كلا المهمتين بشكل موحد. وفي تصميم المحفّزات، ندمج تمثيلات معرفية مُدمجة، ورموز ناعمة مخصصة للمهمة، وسياق المحادثة، مما يوفر معلومات سياقية كافية لتكيف نموذج PLM مع مهمة CRS. علاوةً على ذلك، لتحسين مهمة التوصية، نُدخل نموذج الرد المُولّد كجزء مهم في المحفّز، لتعزيز التفاعل المعلوماتي بين المهمتين الفرعيتين. وقد أظهرت التجارب الواسعة على مجموعتي بيانات علنية لـ CRS فعالية نهجنا.