知識グラフを活用した意味統合による対話型レコメンデーションシステムの改善

対話型レコメンデーションシステム（Conversational Recommender Systems, CRS）は、対話的なやり取りを通じてユーザーに高品質なアイテムを推薦することを目的としています。これまでにCRSに関する多数の研究が行われてきましたが、依然として解決すべき2つの主要な課題が存在します。第一に、会話データ自体がユーザーの嗜好を正確に理解するための十分な文脈情報を備えていない点です。第二に、自然言語表現とアイテムレベルのユーザー嗜好の間に、意味的ギャップが存在する点です。これらの課題に対処するため、本研究では語彙指向型およびエンティティ指向型の知識グラフ（Knowledge Graph, KG）を統合し、CRSにおけるデータ表現を強化するとともに、相互情報量の最大化（Mutual Information Maximization）を用いて語彙レベルとエンティティレベルの意味空間を統合・整列させます。統合された意味表現を基盤として、正確な推薦を行うためのKG強化型レコメンデーションモジュールと、応答テキスト中に情報を豊かにするキーワードやエンティティを生成可能なKG強化型対話モジュールをさらに開発しました。広範な実験により、本手法が推薦および対話の両タスクにおいて優れた性能を発揮することを実証しました。