以用户为中心的多维度用户建模对话式推荐

对话式推荐系统（Conversational Recommender Systems, CRS）旨在通过对话交互提供高质量的推荐结果。然而，大多数传统CRS模型主要关注当前对话会话的理解，忽视了推荐核心主体（即用户）所蕴含的丰富多维度信息。在本研究中，我们强调：除了当前对话会话外，用户的过往对话会话以及“相似用户”（look-alike users）同样是理解用户偏好不可或缺的重要信息源。为系统性地建模这些多维度信息，我们提出一种以用户为中心的对话式推荐模型（User-Centric Conversational Recommendation, UCCR），回归到CRS任务中用户偏好学习的本质。具体而言，我们设计了一个历史会话学习器（historical session learner），从知识、语义和消费三个视角捕捉用户在历史会话中的多视角偏好，作为对当前偏好信号的有效补充。同时，引入多视角偏好映射器（multi-view preference mapper），通过自监督目标学习当前与历史会话中不同视角之间的内在关联。此外，我们还构建了一个时序相似用户选择器（temporal look-alike user selector），通过分析用户与其相似用户的行为模式来深入理解用户偏好。最终，融合多维度、多视角的用户偏好表示被用于推荐生成与对话生成。在中英文CRS数据集上的全面实验表明，UCCR在推荐准确率与对话生成质量方面均显著优于现有竞争模型，充分验证了该方法的有效性与优越性。