ユーザー中心型のマルチアスペクトユーザモデリングを活用した会話型レコメンデーション

対話型レコメンデーションシステム（Conversational Recommender Systems, CRS）は、対話を通じて高品質なレコメンデーションを提供することを目的としている。しかし、従来の大多数のCRSモデルは、主に現在の対話セッションにおける対話理解に焦点を当てており、レコメンデーションにおける中心的主体（すなわちユーザー）が持つ豊富な多面的情報を無視している。本研究では、現在の対話セッションに加えて、ユーザーの過去の対話セッションおよび類似ユーザー（look-alike users）が、ユーザーの好みを理解する上で極めて重要な情報源であることを強調する。多面的な情報を体系的にモデル化するため、ユーザー中心の対話型レコメンデーション（User-Centric Conversational Recommendation, UCCR）モデルを提案する。このモデルは、CRSタスクにおけるユーザー好み学習の本質に立ち返ることで、ユーザーの好みをより正確に捉えることを目指している。具体的には、現在の好み信号を補完するため、知識的・意味的・消費行動的視点からユーザーの多視点的な好みを捉えるための「過去セッション学習器（historical session learner）」を提案する。さらに、自己教師付きの目的関数を用いて、現在および過去のセッションにおける異なる視点間の内在的な相関関係を学習する「多視点好みマッパー（multi-view preference mapper）」を設計する。また、ユーザーの類似ユーザーを時系列的に選定する「時系列類似ユーザー選択器（temporal look-alike user selector）」を構築し、類似ユーザーを通じてユーザーの特性を理解する。得られた多面的・多視点的なユーザー好み情報は、最終的にレコメンデーションと対話生成に活用される。実験では、中国語および英語のCRSデータセットを用いて包括的な評価を実施した結果、従来の競合モデルと比較して、レコメンデーション精度および対話生成品質の両面で顕著な向上が確認され、UCCRモデルの優位性が実証された。