CRFR：知識グラフ上の柔軟なフラグメント推論を活用した対話型レコメンデーションシステムの改善

ユーザーの関心の変化経路は知識グラフ（KG）上で移動することで、対話型レコメンデーションシステム（CRS）に有益な情報を提供するが、高次の複雑さと経路の不完全性という課題により、CRSにおけるKG上の明示的推論は十分に検討されていない。本研究では、対話文脈に基づく強化学習モデルを用いて、KG上で明示的な多ホップ推論を効果的に行うCRFRを提案する。知識グラフの不完全性を考慮し、単一の完全な推論経路を学習するのではなく、関心の変化における完全な経路に含まれる可能性が高い複数の推論断片（fragments）を柔軟に学習する。その後、アイテム中心と概念中心のKGから得られる断片情報を統合する断片認識型の統一モデルを設計し、断片に含まれるエンティティや語彙を活用することで、CRSの応答精度を向上させる。広範な実験により、CRFRが推薦性能、会話性能、および会話の解釈可能性において、既存手法を上回る最先端（SOTA）の性能を達成することが確認された。