
摘要
对话式推荐系统(Conversational Recommender Systems, CRS)通过自然语言交互与对话历史来推断用户偏好,并提供精准的推荐。然而,由于对话上下文和背景知识的有限性,现有CRS方法通常依赖外部资源(如知识图谱)来丰富上下文,并基于实体之间的关联关系建模实体。然而,这些方法往往忽视了实体内部蕴含的丰富内在信息。为解决这一问题,本文提出一种知识增强的实体表示学习框架(Knowledge-Enhanced Entity Representation Learning, KERL),该框架结合知识图谱与预训练语言模型,以提升CRS对实体语义的理解能力。在KERL框架中,实体的文本描述通过预训练语言模型进行编码,同时利用知识图谱强化实体的表示。此外,我们引入位置编码机制,有效捕捉对话过程中实体的时间演化信息。经过增强的实体表示被用于构建两个核心组件:一是推荐组件,融合实体表示与上下文表示,实现更智能的推荐决策;二是对话组件,生成包含实体相关信息的响应文本,提升对话的语义丰富性与信息密度。为支持本研究,我们构建了一个高质量、实体描述对齐的知识图谱——维基电影知识图谱(Wiki Movie Knowledge Graph, WikiMKG)。实验结果表明,KERL在推荐任务与响应生成任务上均达到了当前最优性能,显著优于现有方法。