CRFR: Verbesserung conversationaler Empfehlungssysteme durch flexible Fragment-Reasoning auf Wissensgraphen

Obwohl sich Nutzerinteressen in Wissensgraphen (KGs) entlang von Pfaden verändern können, was conversational recommender systems (CRS) nutzen könnte, wurde die explizite Schlussfolgerung auf KGs bisher aufgrund der Komplexität hochordniger und unvollständiger Pfade in CRS nicht ausreichend berücksichtigt. Wir stellen CRFR vor, ein Modell, das effektiv explizite Multi-Hop-Schlussfolgerungen auf KGs mit einem auf der Gesprächscontext basierenden Verstärkungslernansatz durchführt. Angesichts der Unvollständigkeit von KGs lernt CRFR nicht lediglich einen einzelnen vollständigen Schlussfolgerungspfad, sondern flexibel mehrere Schlussfolgerungsfragmente, die wahrscheinlich in den vollständigen Pfaden der Interessenverschiebung enthalten sind. Anschließend wird ein fragmentbewusstes, einheitliches Modell entworfen, das die Informationen aus fragmentorientierten Quellen sowohl aus item- als auch konzeptorientierten Wissensgraphen integriert, um die CRS-Antworten durch Entitäten und Wörter aus den Fragmenten zu verbessern. Umfangreiche Experimente belegen die SOTA-Leistung von CRFR hinsichtlich Empfehlung, Konversation und Interpretierbarkeit der Konversation.