CN114912020B - 一种基于用户偏好图的多子目标对话推荐方法 - Google Patents
一种基于用户偏好图的多子目标对话推荐方法 Download PDFInfo
- Publication number
- CN114912020B CN114912020B CN202210437356.6A CN202210437356A CN114912020B CN 114912020 B CN114912020 B CN 114912020B CN 202210437356 A CN202210437356 A CN 202210437356A CN 114912020 B CN114912020 B CN 114912020B
- Authority
- CN
- China
- Prior art keywords
- entity
- user
- sub
- user preference
- key
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000010076 replication Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于用户偏好图的多子目标对话推荐方法,其特点是该其方法包括:1)构建用户偏好图,表达用户在近期话题内表现出的实体级偏好;2)基于用户偏好图预测关键实体,为后续回复生成提供显式的内容引导;3)基于当前对话状态、用户偏好图以及关键实体相关的三元组,生成回复内容,并基于用户的在线反馈确定对话结束或进入下一轮对话。本发明与现有技术相比具有较高的对话推荐准确率和生成回复的一致性,进一步增强了模型的可解释性,可广泛应用到社交对话推荐***。
Description
技术领域
本发明涉及会话推荐技术领域,具体地说是一种基于用户偏好图的多子目标对话推荐方法。
背景技术
随着互联网上信息量的不断增加,人们越来越难以从中甄别自己感兴趣的内容。推荐***的出现正是为了解决“信息超载”的问题,它会预测用户的需求,并向用户推荐他们最可能喜欢的内容。传统推荐利用历史交互信息估计用户偏好,难以处理历史信息稀疏、有噪音或者用户偏好改变的情况。而对话推荐***(Conversational RecommendationSystem,CRS)与用户进行动态交互,能够在对话过程中直接询问用户偏好,强调用自然语言进行交互并获取明确反馈。
近期的对话推荐工作提出了用于建立多子目标推荐对话***的DuRecDial数据集,标注了闲聊、问答、推荐三大主题内的21个细化子目标,并将对话按子目标划分为若干个阶段。该任务旨在使***规划多种子目标主动引导对话走向,将对话从问答、关于明星的闲聊等非推荐场景引入到电影推荐、音乐推荐等推荐场景。多子目标推荐对话***使用知识库中的信息帮助完成问答、推荐等过程,因此知识的准确选择对于生成高质量的对话至关重要。
现有技术的多子目标推荐对话方法,大多直接使用给定知识库中所有的知识而不对其进行甄别,不仅增加了计算量,还可能引入大量噪音知识。
发明内容
本发明的目的是针对现有技术的不足而设计的一种基于用户偏好图的多子目标对话推荐方法,采用构建的用户偏好图,利用关键实体预测模块预测下一轮对话内容的关键实体,并由对话生成模块生成每一轮***对历史对话的回复,基于用户的在线反馈确定对话结束或进入下一轮对话。该方法实现了多子目标对话推荐,不但提高了对话推荐准确率和生成回复的一致性,还增强了模型的可解释性,方法简便,计算量少,大大减少了噪音知识,推荐准确率高,可广泛应用于社交对话推荐***,具有很好的运用前景。
本发明的目的是这样实现的:一种基于用户偏好图的多子目标对话推荐方法,其特点是采用构建的用户偏好图Kp,利用关键实体预测模块预测下一轮对话内容的关键实体,并由对话生成模块生成每一轮***对历史对话的回复,具体包括如下步骤:
a步骤:建立用户偏好图构建模块
a-1:在对话开始前,基于用户配置文件初始化用户偏好图Kp;
a-2:在对话进行时,根据实体文件匹配对话中提及的实体,并通过基于预训练的语言模型(BERT)预测用户的实体级偏好;
a-3:根据用户实体级偏好更新用户偏好图Kp。
b步骤:建立关键实体模块
基于当前用户偏好图Kp和子目标,确定候选关键实体并通过BERT模型预测关键实体。
c步骤:建立对话生成模块
基于历史对话、用户偏好图Kp及关键实体相关信息通过深度神经网络模型生成回复来与用户进行交互,交互内容包括闲聊、问答或推荐。
所述a-1步骤中的初始化用户偏好图Kp具体包括以下步骤:
1.1取多子目标对话数据的用户配置文件中用户接受的实体和知识图谱中存在实体的交集作为用户偏好图Kp的初始核心结点。
1.2取知识图谱中的用户偏好图Kp初始核心结点及其一跳范围内的点和边构成的子图作为最初的用户偏好图Kp,并为每个初始核心结点赋权重为1。
所述a-2步骤中的实体级偏好具体包括以下步骤:
1.3基于所述知识图谱中的实体信息,处理出实体文件并依据实体文件匹配对话中提及的实体E;其中,提及的实体分为用户提及实体Euser和对话推荐***提及实体Esystem。
1.4基于所述用户提及实体eu∈Euser和用户提及该实体的句子su,通过预训练的BERT模型得到用户对实体eu的态度,其过程如下述(a)~(c)式表示:
Fu=[[CLS];eu;[SEP];su] (a);
Hu=BERT(Fu) (b);
A(eu)=Linear(Hu) (c)。
或者基于所述对话推荐***提及实体es∈Esystem和用户对提及实体es的句子的反馈sresp,通过预训练的BERT模型得到用户对实体es的态度,其过程如下述(d)~(f)式表示:
Fs=[[CLS];es;[SEP];sresp] (d);
Hs=BERT(Fs) (e);
A(es)=Linear(Hs) (f)。
所述b步骤2中更新用户偏好图Kp具体包括以下步骤:
1.5在每轮对话开始前将用户偏好图Kp中核心实体的权重wkey进行衰减;其中,权重wkey衰减过程由下述(g)式表示:
wkey=wkey×0.75 (g)。
1.6基于所述用户对所述提及实体的态度,用户接受的实体及其在知识库中周围一跳的点和边被加入用户偏好图Kp。其中,用户接受的实体作为核心实体并赋权重为1,周围一跳的结点为非核心实体且不赋权重;基于用户对提及实体的态度,用户拒绝的实体如果存在于用户偏好图Kp中,该实体以及其周围一跳的非核心实体以及相关的边将从用户偏好图Kp中移除。
1.7当用户偏好图Kp中核心实体的数量大于限定数量α=2时,仅保留用户偏好图Kp中权重最大的限定数量α个核心实体及其周围一跳的点和边。
所述b步骤中确定候选关键实体并通过BERT模型预测关键实体具体包括以下步骤:
2.1通过基于Transformer的方法预测下一个子目标gnext,在给定对话历史X、外部知识和推荐子目标GT的条件下,预测下一回合的子目标gnext,并由下述(h)式优化交叉熵损失函数-logP:
2.2由子目标gnext确定的推荐类型包括:电影、音乐、美食和兴趣点;基于确定的推荐类型,找出所有知识库中该类型的实体作为候选关键实体集合Ec。
2.3基于预训练的BERT模型给候选关键实体打分,取分数最高的候选实体作为关键实体。
2.4基于用户偏好图Kp和知识图谱中与候选关键实体ec∈Ec相关的三元组构成的子图Kc,通过预训练的BERT模型给每个候选关键实体ec打分,取分数最高的候选实体作为关键实体ekey,其过程由下述(i)~(l)式表示:
Fp=[s1;r1;o1;…;sn;rn;on],(si,ri,oi)∈Kp (i);
Fc=[s1;r1;o1;…;sm;rm;om],(sj;rj;oj)∈Kc (j);
H=BERT([[CLS];gnext;Fp;[SEP];Fc]) (k);
S(Ec)=Sigmoid(Wh0) (l);
其中:h0为[CLS]的表示;W是可训练的参数。
所述c步骤中的通过深度神经网络模型生成回复具体包括以下步骤:
3.1将步骤2.1中所述的子目标gnext进一步分为推荐子目标和非推荐子目标,所述推荐子目标包括:电影推荐、音乐推荐、美食推荐和兴趣点的推荐,除推荐子目标外的子目标都为非推荐子目标;其中,由于新闻推荐并非实体推荐,因此也算作非推荐子目标。
3.2在非推荐子目标下,将用户偏好图中所有的知识三元组Kp作为参考知识Kinput输入对话生成模型,而在推荐子目标下,将知识库中与步骤二所述关键实体ekey相关的三元组构成的子图Kkey作为参考知识Kinput输入对话生成模型;其中,对话生成模块包括编码器和解码器;对话生成模块生成回复的具体过程由下述(m)~(o)式表示为:
F=[s1;r1;o1;…;sn;rn;on],(si,ri,oi)∈Kinput (m);
EK=Encoder(F) (n);
其中,EK为将参考知识Kinput中的三元组拼接后通过编码器得到的知识特征。
3.4为了将知识信息整合到回复中,在解码器上采用了复制机制。具体来说,单词概率P(w)是通过下述(p)~(s)式所表示的复制机制计算:
其中,Wv是嵌入矩阵;Wk是可训练的参数;p(s)决定模型从词汇表还是从参考知识Kinput生成一个字。
3.5通过下述(t)式的优化交叉熵损耗训练对话框生成模块:
本发明与现有技术相比具有以下显著的技术进步和优点:
1)高推荐准确率,本发明提出的用户偏好图关注用户在近期话题中体现出的实体级偏好对后续话题的贡献,大幅提升了推荐准确率;
2)生成回复高一致性,本发明提出的用户偏好图建模了用户在历史对话中表现出的阶段性实体级偏好,关键实体相关的三元组为对话模块提供更加精确的后续内容指导,两者都为对话模块提供了更加精确的知识,避免知识图谱中的噪音知识带来的影响,提升了生成回复的一致性;
3)模型的可解释性,本法明采用的方法能够提供人类可解读的更加精确的相关知识,根据这些知识人类倾向于做出跟模型较为一致的预测,提高了模型的可解释性。
附图说明
图1为本发明流程图。
具体实施方式
以下结合具体实施例和附图,对本发明做进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制的内容。
实施例1
参阅图1,本发明主要包括以下步骤:
步骤一:初始化用户偏好图
取所述多子目标对话数据的用户配置文件中用户接受的实体和所述知识图谱中存在实体的交集作为用户偏好图Kp的初始核心结点;取所述知识图谱中所述用户偏好图Kp初始核心结点及其一跳范围内的点和边构成的子图作为最初的用户偏好图Kp,并为每个初始核心结点赋权重为1。
步骤二:预测关键实体
然后,基于由所述子目标gnext确定推荐类型;其中,推荐类型包括:电影、音乐、美食和兴趣点,基于确定的推荐类型,找出所有知识库中该类型的实体作为候选关键实体集合Ec;最后,基于用户偏好图Kp和由所述知识图谱中与候选关键实体ec∈Ec相关的三元组构成的子图Kc,通过预训练的BERT模型给每个候选关键实体ec打分,取分数最高的候选实体作为关键实体ekey,其过程由下述(i)~(l)式表示:
Fp=[s1;r1;o1;…;sn;rn;on],(si,ri,oi)∈Kp (i);
Fc=[s1;r1;o1;…;sm;rm;om],(sj;rj;oj)∈Kc (j);
H=BERT([[CLS];gnext;Fp;[SEP];Fc]) (k);
S(Ec)=Sigmoid(Wh0) (l);
其中,h0是[CLS]的表示;W是可训练的参数。
步骤三:进行对话生成
对话生成模块基于所述对话历史、所述关键实体及所述用户偏好图Kp,通过对话生成模型生成对话来与用户进行交互,包括:闲聊、问答或推荐,并基于用户的在线反馈确定对话结束或进入下一轮对话。步骤二中所述子目标gnext可进一步分为推荐子目标和非推荐子目标。其中,推荐子目标包括:电影推荐、音乐推荐、美食推荐和兴趣点推荐,除推荐子目标外的子目标都为非推荐子目标。其中,由于新闻推荐并非实体推荐,因此也算作非推荐子目标。
在非推荐子目标下,将用户偏好图Kp中所有的知识三元组Kp作为参考知识Kinput输入对话生成模型,而在推荐子目标下,将知识库中与步骤二所述关键实体ekey相关的三元组构成的子图Kkey作为参考知识Kinput输入对话生成模型。其中,对话生成模块包括:编码器和解码器;对话生成模块生成回复的具体过程由下述(m)~(o)式表示为:
F=[s1;r1;o1;…;sn;rn;on],(si,ri,oi)∈Kinput (m);
EK=Encoder(F) (n);
其中,EK为将参考知识Kinput中的三元组拼接后通过编码器得到的知识特征。
然后,基于知识特征EK和历史对话X和已解码部分的表示得到第t步的输出特征,I(·)表示获取嵌入的函数,y<t是已经解码得到的词,是t时刻解码器输出的隐藏状态,为了将知识信息整合到回复中,本发明在解码器上使用了一种复制机制。具体来说,单词概率P(w)是通过下述(p)~(s)式所表示的复制机制计算:
其中,Wv是嵌入矩阵;Wk是可训练的参数;p(s)决定模型从词汇表还是从参考知识Kinput生成一个字。
通过下述(t)式的优化交叉熵损耗训练对话框生成模块:
若对话未结束,则继续进行步骤四。
步骤四:更新用户偏好图
基于所述知识图谱中的实体信息,处理出实体文件并依据实体文件匹配对话中提及的实体E;其中,提及的实体分为用户提及实体Euser和对话推荐***提及实体Esystem;基于所述用户提及实体eu∈Euser和用户提及该实体的句子su,通过预训练的BERT模型得到用户对实体eu的态度,其过程如下述(a)~(c)式表示:
Fu=[[CLS];eu;[SEP];su] (a);
Hu=BERT(Fu) (b);
A(eu)=Linear(Hu) (c)。
或者基于所述对话推荐***提及实体es∈Esystem和用户对提及实体es的句子的反馈sresp,通过预训练的BERT模型得到用户对实体es的态度,其过程如下述(d)~(f)式表示:
Fs=[[CLS];es;[SEP];sresp] (d);
Hs=BERT(Fs) (e);
A(es)=Linear(Hs) (f)。
然后,在每轮对话开始前将用户偏好图Kp中核心实体的权重wkey进行衰减;其中,权重wkey衰减具过程为:wkey=wkey×0.75;基于所述用户对所述提及实体的态度,用户接受的实体及其在知识库中周围一跳的点和边被加入用户偏好图Kp。其中,用户接受的实体作为核心实体并赋权重为1,周围一跳的结点为非核心实体且不赋权重。基于所述用户对所述提及实体的态度,用户拒绝的实体如果存在于用户偏好图Kp中,该实体以及其周围一跳的非核心实体以及相关的边将从用户偏好图Kp中移除。当所述用户偏好图Kp中核心实体的数量大于限定数量α=2时,仅保留用户偏好图Kp中权重最大的所述限定数量α个核心实体及其周围一跳的点和边,完成更新后继续在下一轮对话从步骤二继续执行。
以上只是对本发明作进一步的说明,并非用以限制本专利,凡为本发明等效实施,均应包含于本专利的权利要求范围之内。
Claims (3)
1.一种基于用户偏好图的多子目标对话推荐方法,其特征在于采用构建的用户偏好图Kp,利用关键实体预测模块预测下一轮对话内容的关键实体,并由对话生成模块生成每一轮***对历史对话的回复,具体包括如下步骤:
a步骤:建立用户偏好图构建模块
a-1:在对话开始前,基于用户配置文件初始化用户偏好图Kp;
a-2:在对话进行时,根据实体文件匹配对话中提及的实体集合E,并通过基于预训练的语言模型预测用户的实体级偏好;
a-3:根据用户实体级偏好更新用户偏好图Kp;
b步骤:建立关键实体模块
基于当前用户偏好图Kp和子目标,确定候选关键实体并通过语言模型预测关键实体;
c步骤:建立对话生成模块
基于历史对话、用户偏好图Kp及关键实体相关信息通过深度神经网络模型生成回复来与用户进行交互,交互内容包括闲聊、问答或推荐;
所述a步骤中的初始化用户偏好图Kp具体包括以下步骤:
a-1-1:取多子目标对话数据的用户配置文件中用户接受的实体和知识图谱中存在实体的交集作为用户偏好图Kp的初始核心结点;
a-1-2:将知识图谱中用户偏好图Kp的初始核心结点及其一跳范围内的点和边构成的子图作为最初的用户偏好图Kp,并为每个初始核心结点赋权重为1;
所述b步骤中的确定候选关键实体并通过语言模型预测关键实体,具体包括以下步骤:
b-1:通过基于Transformer的方法预测下一个子目标gnext,在给定对话历史X、外部知识K和推荐子目标GT的条件下,预测下一回合的子目标gnext,并由下述(h)式优化交叉熵损失函数-logP:
b-2:基于由子目标确定的推荐类型,找出所有知识库中该类型的实体作为候选关键实体集合Ec,所述推荐类型包括:电影、音乐、美食和兴趣点;
b-3:基于用户偏好图Kp和由所述知识图谱中与候选关键实体ec∈Ec相关的三元组构成的子图Kc,通过预训练的语言模型给每个候选关键实体ec打分,取分数最高的候选实体作为关键实体ekey,其过程由下述(i)~(l)式表示:
Fp=[s1;r1;o1;…;sn;rn;on],(si,ri,oi)∈Kp (i);
Fc=[s1;r1;o1;…;sm;rm;om],(sj;rj;oj)∈Kc (j);
H=BERT([[CLS];gnext;Fp;[SEP];Fc]) (k);
S(ec)=Sigmoid(Wh0) (l);
其中:h0为[CLS]的表示;W是可训练的参数;
所述c步骤中的通过深度神经网络模型生成回复具体包括以下步骤:
c-1:将b步骤中的子目标gnext进一步分为推荐子目标和非推荐子目标,所述推荐子目标包括:电影推荐、音乐推荐、美食推荐和兴趣点推荐,除推荐子目标外的子目标都为非推荐子目标;
c-2:在非推荐子目标下,将用户偏好图Kp中所有的知识三元组作为参考知识Kinput输入对话生成模型;在推荐子目标下,将知识库中与b步骤中的关键实体ekey相关的三元组构成的子图Kkey作为参考知识Kinput输入对话生成模型;所述对话生成模块包括:编码器和解码器;所述对话生成模块生成回复的具体过程如下述(m)~(o)式表示:
F=[s1;r1;o1;…;sn;rn;on],(si,ri,oi)∈Kinput (m);
EK=Encoder(F) (n);
c-3:基于知识特征EK和历史对话X和已解码部分的表示,得到第t步的输出特征;
c-4:利用设置在解码器上的复制机制,将知识信息整合到回复中,其单词概率P(w)通过下述(p)~(s)式所表示的复制机制计算:
其中,Wv为嵌入矩阵;Wk为可训练的参数;Ps决定模型从词汇表还是从参考知识Kinput生成一个字;
c-5:通过下述(t)式的优化交叉熵损耗训练对话生成模块:
2.根据权利要求1所述的基于用户偏好图的多子目标对话推荐方法,其特征在于所述a步骤中的实体级偏好具体包括以下步骤:
a-2-1:基于所述知识图谱中的实体信息,处理出实体文件并依据实体文件匹配对话中提及的实体集合E,所述提及的实体集合E分为用户提及实体集合Euser和对话推荐***提及实体集合Esystem;
a-2-2:基于用户提及实体eu∈Euser和用户提及该实体的句子su,通过预训练的语言模型得到用户对实体eu的态度,其过程如下述(a)~(c)式表示:
Fu=[[CLS];eu;[SEP];su] (a);
Hu=BERT(Fu) (b);
A(eu)=Linear(Hu) (c);
或基于对话推荐***提及实体es∈Esystem和用户对提及实体es的句子的反馈sresp,通过预训练的语言模型得到用户对实体es的态度,其过程如下述(d)~(f)式表示:
Fs=[[CLS];es;[SEP];sresp] (d);
Hs=BERT(Fs) (e);
A(es)=Linear(Hs)(f)。
3.根据权利要求1所述的基于用户偏好图的多子目标对话推荐方法,其特征在于所述a步骤中的更新用户偏好图Kp具体包括以下步骤:
a-3-1:在每轮对话开始前将用户偏好图Kp中核心实体的权重wkey进行衰减,其过程由下述(g)式表示:
wkey=wkey×0.75 (g);
a-3-2:以用户接受的实体作为核心实体并赋权重为1,周围一跳的结点为非核心实体且不赋权重;
a-3-3:基于用户对提及实体的态度,用户拒绝的实体如果存在于用户偏好图Kp中,该实体以及其周围一跳的非核心实体以及相关的边将从用户偏好图Kp中移除;
a-3-4:当用户偏好图Kp中核心实体的数量大于限定数量α=2时,仅保留用户偏好图Kp中权重最大的限定数量α个核心实体,及其周围一跳的点和边。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210437356.6A CN114912020B (zh) | 2022-04-21 | 2022-04-21 | 一种基于用户偏好图的多子目标对话推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210437356.6A CN114912020B (zh) | 2022-04-21 | 2022-04-21 | 一种基于用户偏好图的多子目标对话推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912020A CN114912020A (zh) | 2022-08-16 |
CN114912020B true CN114912020B (zh) | 2023-06-23 |
Family
ID=82764314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210437356.6A Active CN114912020B (zh) | 2022-04-21 | 2022-04-21 | 一种基于用户偏好图的多子目标对话推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912020B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384412B (zh) * | 2023-02-24 | 2024-03-29 | 华院计算技术(上海)股份有限公司 | 对话内容生成方法及装置、计算机可读存储介质、终端 |
CN118069827B (zh) * | 2024-04-18 | 2024-07-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 推荐方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482884A (zh) * | 2009-01-21 | 2009-07-15 | 华东师范大学 | 一种基于用户偏好评分分布的协作推荐*** |
CN108874998A (zh) * | 2018-06-14 | 2018-11-23 | 华东师范大学 | 一种基于混合特征向量表示的对话式音乐推荐方法 |
CN112836120A (zh) * | 2021-01-27 | 2021-05-25 | 深圳大学 | 一种基于多模态知识图谱的电影推荐方法、***及终端 |
CN113268609A (zh) * | 2021-06-22 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于知识图谱的对话内容推荐方法、装置、设备及介质 |
CN114065047A (zh) * | 2021-11-25 | 2022-02-18 | 上海理工大学 | 一种基于多级注意力机制的知识增强对话推荐方法 |
CN114168721A (zh) * | 2021-11-18 | 2022-03-11 | 华东师范大学 | 一种用于多子目标对话推荐***的知识增强模型的构建方法 |
-
2022
- 2022-04-21 CN CN202210437356.6A patent/CN114912020B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482884A (zh) * | 2009-01-21 | 2009-07-15 | 华东师范大学 | 一种基于用户偏好评分分布的协作推荐*** |
CN108874998A (zh) * | 2018-06-14 | 2018-11-23 | 华东师范大学 | 一种基于混合特征向量表示的对话式音乐推荐方法 |
CN112836120A (zh) * | 2021-01-27 | 2021-05-25 | 深圳大学 | 一种基于多模态知识图谱的电影推荐方法、***及终端 |
CN113268609A (zh) * | 2021-06-22 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于知识图谱的对话内容推荐方法、装置、设备及介质 |
CN114168721A (zh) * | 2021-11-18 | 2022-03-11 | 华东师范大学 | 一种用于多子目标对话推荐***的知识增强模型的构建方法 |
CN114065047A (zh) * | 2021-11-25 | 2022-02-18 | 上海理工大学 | 一种基于多级注意力机制的知识增强对话推荐方法 |
Non-Patent Citations (1)
Title |
---|
"知识感知的多类型对话推荐";张骏等;《中文信息学报》;第35卷(第5期);110-117 * |
Also Published As
Publication number | Publication date |
---|---|
CN114912020A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114912020B (zh) | 一种基于用户偏好图的多子目标对话推荐方法 | |
Jaques et al. | Human-centric dialog training via offline reinforcement learning | |
Monroe et al. | Colors in context: A pragmatic neural model for grounded language understanding | |
Jiang et al. | Improving neural response diversity with frequency-aware cross-entropy loss | |
CN111414462B (zh) | 一种对话语句确定方法、装置、计算机设备和介质 | |
CN111966800B (zh) | 情感对话生成方法、装置及情感对话模型训练方法、装置 | |
WO2019208222A1 (ja) | 回答選択装置、回答選択方法、回答選択プログラム | |
CN110321421B (zh) | 用于网站知识社区***的专家推荐方法及计算机存储介质 | |
Hawkins et al. | Continual adaptation for efficient machine communication | |
CN114153955B (zh) | 一种融合闲聊和常识的多技能任务型对话***构建方法 | |
CN110597968A (zh) | 一种回复选择方法及装置 | |
US20230197081A1 (en) | Methods and Systems for Determining Characteristics of A Dialog Between A Computer and A User | |
CN116541504B (zh) | 对话生成方法、装置、介质及计算设备 | |
CN112632242A (zh) | 智能对话方法及装置、电子设备 | |
US20070038619A1 (en) | Methods and apparatus to help users of a natural language system formulate queries | |
JP2012141713A (ja) | 擬似会話装置及びコンピュータプログラム | |
CN113761156A (zh) | 人机交互对话的数据处理方法、装置、介质及电子设备 | |
CN110046239B (zh) | 基于情感编辑的对话方法 | |
CN113656542A (zh) | 一种基于信息检索与排序的话术推荐方法 | |
Bowden et al. | Slugbot: An application of a novel and scalable open domain socialbot framework | |
CN117891924A (zh) | 一种基于强化知识选择的大语言模型对话推荐方法 | |
Mitsuda et al. | Dialogue collection for recording the process of building common ground in a collaborative task | |
CN116701566A (zh) | 一种基于情感的多轮对话模型及对话方法 | |
Riou et al. | Reinforcement adaptation of an attention-based neural natural language generator for spoken dialogue systems | |
JP2020053015A (ja) | 興味推定方法、興味推定装置および興味推定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |