HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation
该论文提出了 HyCoRec，一种新颖的对话式推荐框架，该框架利用超图增强的多方面偏好学习，通过捕捉用户随时间变化的多元化偏好来有效缓解马太效应，并在基准数据集上实现了最先进的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正漫步在一座宏大且无尽的图书馆中，一位友好的机器人管理员正在帮助你寻找书籍。在一个完美的世界里，这个机器人应该能精准地了解你的喜好，并为你推荐各种混合了惊悚悬疑、静谧诗歌和狂野科幻冒险的作品。但在现实世界中，许多推荐系统都面临着一个被称为“马太效应”的问题。你可以把它想象成学校里那个受欢迎的同学，总是被邀请参加每一场派对，而那个躲在角落里的、有趣但安静的同学却被完全忽视了。在这个数字图书馆里，“热门”书籍因为被其他人反复点击而被不断推荐，而那些“较不流行”的瑰宝则被埋没并遗忘。系统越是推荐那些旧有的热门作品，它们就变得越发热门，而新的或小众的项目就越难获得展示机会。这是一个大问题，因为它把我们困在一个泡沫中，让我们只能看到那些已经成名的东西，从而错过了那些原本能让我们更快乐的多样化的选择。
为了解决这个问题，来自中山大学及其他机构的研究团队提出了一种让这些机器人管理员思考的新方式，称为 HyCoRec。HyCoRec 不仅仅是看一份你点击过的简单列表，它试图以一种更深层、更丰富多彩的方式来理解你的品味。它意识到你的偏好不仅仅是一件事，而是一个复杂的连接网络。例如，如果你喜欢一部特定的电影，你可能也会喜欢该导演、演员、类型、评论中使用的特定词汇，以及关于拍摄地点的真实世界事实。研究人员为此构建了一个“超图”（hypergraph）系统。如果说普通的地图连接两个点（比如“你”和“电影”），那么超图就像一张神奇的网，可以同时连接一组点——将你、电影、演员、类型和评论全部连接在一起，形成一个巨大的、纠缠在一起的意义之结。通过使用这种超连接的网络，系统能够识别出你隐藏的多维兴趣，从而让你推荐更多样化的项目，并打破那种只展示“强者恒强”的热门作品的循环。
该团队在两个真实的真实用户与推荐机器人对话的数据集上测试了他们的想法，其中一个包含约 11,000 场对话，另一个包含 10,000 场。他们发现 HyCoRec 在任务表现上确实优于他们对比的所有其他方法。在挑选正确推荐项的任务中，HyCoRec 在第一个数据集上的 “Recall@10” 得分为 0.2231，在第二个数据集上为 0.0373，均为所有测试模型中的最高分。但真正的奇迹发生在他们观察系统在多大程度上避免了马太效应时。他们测量了“覆盖率”（Coverage），即系统实际向用户展示了多少不同类别的项目。HyCoRec 在第一个数据集上覆盖了 0.1168 的可用类别，在第二个数据集上覆盖了 0.1841，显著优于次优的模型。这表明，通过使用这些复杂的多层连接，该系统成功地停止了对“贫穷”项目的忽视，并开始给予它们公平竞争的机会。
研究人员还检查了机器人在和你聊天时的表现。在对话中，目标是听起来自然且多样化，而不是重复。HyCoRec 在第一个数据集上的 “Distinct-2”（衡量词汇独特性的指标）得分为 0.3661，明显超过了之前的最佳模型。这意味着机器人不仅仅是在重复同样的短语，而是在生成多样且有趣的回复。为了证明确实是“超图”魔法在起作用，团队尝试逐一移除系统的部分组件。当他们移除“项目超图”（连接相似产品的网）时，性能下降了。当他们移除“实体超图”（连接事实和人物的网）时，性能再次下降。这证实了这种复杂网络的每一个层级对于获得最佳结果都是必要的。
然而，作者也谨慎地指出，这还不是一个完美且已解决的问题。他们承认目前的系统并未充分利用“基于评论的超图”，因为分析数以千计的书面评论是非常困难且复杂的。他们还指出，他们的方法需要为每种类型的数据构建一种特定的网络，这有点像为每一扇门都需要一把不同的钥匙，而不是拥有一把万能钥匙。尽管存在这些局限性，这项研究仍表明，通过从简单的直线连接转向拥抱这些复杂的多向网络，我们可以构建出更公平、更多样化，并且能更好地帮助我们在数字世界中发现隐藏瑰宝的推荐系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。