Recommandation conversationnelle centrée sur l'utilisateur avec modélisation multi-aspects de l'utilisateur

Les systèmes de recommandation conversationnels (CRS) visent à fournir des recommandations de haute qualité au cours de conversations. Toutefois, la plupart des modèles conventionnels de CRS se concentrent principalement sur la compréhension du dialogue en cours, en ignorant d'autres informations riches et multi-axes relatives aux sujets centraux (c’est-à-dire les utilisateurs) dans le processus de recommandation. Dans ce travail, nous mettons en évidence que les sessions de dialogue historiques de l’utilisateur ainsi que les utilisateurs similaires (look-alike users) constituent des sources essentielles de préférences utilisateur, en complément de celles issues de la session de dialogue actuelle dans les CRS. Pour modéliser de manière systématique ces informations multi-axes, nous proposons un modèle de recommandation conversationnelle centré sur l’utilisateur (UCCR), qui revient à l’essence de l’apprentissage des préférences utilisateur dans les tâches de CRS. Plus précisément, nous introduisons un module d’apprentissage des sessions historiques afin de capturer les préférences multi-vues de l’utilisateur à partir de perspectives cognitives, sémantiques et de consommation, en complément des signaux de préférence actuels. Un mapper de préférences multi-vues est conçu pour apprendre les corrélations intrinsèques entre différentes perspectives, au sein des sessions actuelles et historiques, grâce à des objectifs auto-supervisés. Nous avons également conçu un sélecteur temporel d’utilisateurs similaires afin d’interpréter les utilisateurs à travers leurs homologues proches. Les préférences utilisateur multi-axes et multi-vues ainsi apprises sont ensuite utilisées pour la recommandation et la génération de dialogue. Des évaluations approfondies ont été menées sur des jeux de données CRS en chinois et en anglais. Les améliorations significatives par rapport aux modèles concurrents, tant en recommandation qu’en génération de dialogue, confirment l’efficacité et l’avantage du modèle UCCR.