C2-CRS：面向对话推荐系统的粗粒度到细粒度对比学习

对话式推荐系统（Conversational Recommender Systems, CRS）旨在通过自然语言对话为用户提供合适的推荐项。在构建高效CRS的过程中，一个核心的技术挑战是如何从极为有限的对话上下文中准确推断用户的偏好。为应对这一问题，一种有前景的解决方案是引入外部数据以丰富上下文信息。然而，以往研究主要致力于设计针对特定类型外部数据的融合模型，难以通用地建模与利用多种类型的外部数据。为有效利用多源外部数据，本文提出一种新颖的“粗粒度到细粒度”的对比学习框架，以提升CRS中多源数据的语义融合能力。在该框架中，我们首先从不同数据信号中提取并表示多粒度的语义单元，随后采用自粗至细的方式对相关联的多类型语义单元进行对齐。为实现该框架，我们设计了粗粒度与细粒度双重建模过程：前者侧重于更通用的粗粒度语义融合，后者则聚焦于更精细的特定语义融合。该方法具有良好的可扩展性，可轻松融入更多类型的外部数据。在两个公开的CRS数据集上进行的大量实验表明，所提方法在推荐与对话任务中均展现出显著的有效性。