CRFR: تحسين أنظمة التوصية الحوارية من خلال الاستدلال المرن على القطع في الرسوم المعرفية

على الرغم من أن تغير مسارات اهتمامات المستخدمين في الرسوم المعرفية (KGs) يمكن أن يُفيد أنظمة التوصية الحوارية (CRS)، إلا أن الاستدلال الصريح على الرسوم المعرفية لم يُؤخذ بعين الاعتبار بشكل جيد في أنظمة التوصية الحوارية، وذلك بسبب تعقيد المسارات عالية الرتبة وغير الكاملة. نقترح نموذج CRFR، الذي يقوم بتنفيذ استدلال متعدد الخطوات الصريح على الرسوم المعرفية بشكل فعّال من خلال نموذج تعزيز تعلم يعتمد على السياق الحواري. وبما أن الرسوم المعرفية غالبًا ما تكون غير كاملة، فإن CRFR لا يتعلم مسار استدلال واحد كامل، بل يتعلم بشكل مرن عدة قطع استدلالية من المحتمل أن تكون جزءًا من المسارات الكاملة المتعلقة بتغير اهتمامات المستخدم. ثم تم تصميم نموذج موحد يراعي القطع (fragments-aware) لدمج معلومات هذه القطع من الرسوم المعرفية الموجهة نحو العناصر (item-oriented) والرسوم المعرفية الموجهة نحو المفاهيم (concept-oriented)، بهدف تعزيز استجابة نظام التوصية الحوارية من خلال إدراج كيانات وعبارات مستمدة من هذه القطع. أظهرت التجارب الواسعة أداءً متميزًا (SOTA) لنموذج CRFR في مجالات التوصية، والمحادثة، وقابلية تفسير المحادثة.