CR-Walker : Raisonnement graphique structuré en arbre et actes de dialogue pour la recommandation conversationnelle

Un intérêt croissant s’est porté sur les systèmes de recommandation conversationnels (CRS), qui explorent les préférences des utilisateurs à travers des interactions conversationnelles afin de proposer des recommandations pertinentes. Toutefois, les CRS actuels peinent encore à (1) explorer plusieurs chemins de raisonnement à partir des connaissances contextuelles afin d’introduire des éléments et attributs pertinents, et (2) organiser de manière adéquate les entités sélectionnées en fonction des intentions du système à un instant donné, afin de contrôler la génération des réponses. Pour répondre à ces défis, nous proposons dans cet article CR-Walker, un modèle qui effectue un raisonnement structuré en arbre sur un graphe de connaissances, et génère des actes dialogiques informatifs afin de guider la génération de langage. La caractéristique distinctive de ce raisonnement structuré en arbre consiste à considérer chaque entité parcourue à chaque étape comme une composante des actes dialogiques, ce qui facilite la génération de langage et établit un lien direct entre la sélection des entités et leur expression. Des évaluations automatiques et humaines montrent que CR-Walker permet d’atteindre des recommandations plus précises, ainsi que des réponses plus informatives et plus engageantes.