
摘要
尽管用户兴趣在知识图谱(Knowledge Graphs, KGs)中的转移路径能够为对话式推荐系统(Conversational Recommender Systems, CRS)带来显著优势,但现有方法在CRS中对KG的显式推理仍缺乏充分考虑,主要原因在于高阶路径与路径不完整性带来的复杂性。为此,本文提出CRFR模型,该模型基于对话上下文的强化学习机制,能够有效实现对KG的显式多跳推理。考虑到KG本身存在的不完整性,CRFR不依赖于学习单一完整的推理路径,而是灵活地学习可能存在于兴趣转移完整路径中的多个推理片段。随后,本文设计了一种片段感知的统一模型,用于融合来自以物品为导向和以概念为导向的知识图谱中的片段信息,从而在推荐响应中引入来自片段的实体与词汇,增强推荐结果的可解释性与语义丰富性。大量实验结果表明,CRFR在推荐性能、对话质量以及对话可解释性方面均达到了当前最优(SOTA)水平。