🤖 AI

Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation

本文提出了 HiCore，一种新颖的对话式推荐框架，该框架利用多层超图和自监督学习来通过捕捉动态多兴趣用户偏好，从而有效地缓解马太效应。

原作者： Yongsen Zheng, Ruilin Xu, Guohua Wang, Liang Lin, Kwok-Yan Lam

发布于 2026-07-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Yongsen Zheng, Ruilin Xu, Guohua Wang, Liang Lin, Kwok-Yan Lam

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，一位热心的图书管理员正试图猜中你的下一本挚爱。在一个完美的世界里，这位管理员应该了解你独特的品味，从晦涩的独立小说到经典的科幻作品。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。这是一种高级的说法，意指“强者愈强”。如果一本书已经很受欢迎，管理员就会不断地把它推到你面前，而那些躲在角落里的瑰宝则被完全忽视了。久而久之，这会创造出一个乏味的循环，让你只能看到大家都在看的东西，系统也因此忘记了去探索你更深层、更具体的兴趣。这种情况不仅发生在图书馆，也发生在任何根据你点击过的记录来向你推荐电影、音乐或产品的系统中。科学家们面临的挑战在于，如何构建一个不仅仅是随大流，而是真正倾听你与机器之间那场独特且不断变化的对话的系统，从而确保那些“弱势群体”也能获得获得你关注的机会。

由此诞生了 HiCore，这是一个由研究人员提出、旨在解决这一精准问题的巧妙框架，用于改进对话式推荐系统（CRS）。可以将 CRS 想象成一个聊天机器人，它不仅仅是递给你一串链接，而是真正与你交谈，通过提问并从你的回答中学习，从而为你推荐最完美的物品。研究人员注意到，随着你在与这些机器人进行长时间的对话，这种“马太效应”会变得更加严重；机器人会陷入一种窠臼，只会推荐那些重复出现的流行事物。为了打破这种循环，HiCore 扮演了一个观察力极强的侦探角色，它不是建立一个简单的列表，而是构建一张复杂的多层兴趣图谱。

HiCore 不仅仅将你视为一个喜欢“动作片”的单一个体，它构建了三种不同类型的地图，即超图（hypergraphs），从三个层面来理解你：

物品层（Item Level）： 它观察你谈论过的具体事物（比如某部特定的电影名称）。
实体层（Entity Level）： 它观察这些事物周围的“世界”（比如导演、类型或演员，并从庞大的知识库中提取信息）。
词汇层（Word Level）： 它分析你在对话中使用的实际词汇（比如“扣人心弦的”或“温馨的”），以捕捉你所追求的氛围。

不仅如此，针对这些层面，HiCore 还绘制了三种不同种类的连接，就像蜘蛛网上不同颜色的丝线一样：

群体通道（Group Channel）： 它观察你如何融入人群。如果你和你的朋友都喜欢同一支冷门的乐队，这就是一个强烈的信号。
共同通道（Joint Channel）： 它观察共同的行为。你和朋友是否在同一时间购买了同一个物品？这暗示了某种深刻且不言而喻的品味联系。
购买通道（Purchase Channel）： 它甚至能在陌生人之间建立联系。如果你和一位素不相识的陌生人都购买了某个古怪、小众的物品，HiCore 就会意识到你们有着隐藏的共同兴趣，即使你们从未谋面。

通过将所有这些线索编织在一起，HiCore 创建了一个“多兴趣”画像。这就像拥有一支由三位专家组成的团队（一位负责物品，一位负责事实，一位负责词汇），他们通过彼此交流来弄清楚你真正想要什么，而不是仅仅盯着热门趋势。该系统使用一种特殊的自学习技巧（称为自监督学习），利用自身数据进行练习，不断精炼对你独特“品味指纹”的理解。

研究人员在涉及电影、音乐等真实对话的四个数据集上对 HiCore 进行了测试。结果令人印象深刻。在推荐领域，HiCore 打败了包括 BERT 和 GPT-3 在内的所有顶尖方法。例如，在 REDIAL 数据集上，它实现了 0.2192 的 Recall@10，这比次优模型有了统计学意义上的显著提升。在对话领域（即机器人需要生成自然回复的场景），HiCore 也碾压了竞争对手，其多样性（通过 Dist-2 衡量）相比一些强力的基准模型提升了 123.83%。

最重要的是，HiCore 确实解决了“马太效应”。当研究人员检查系统推荐的物品类型多样性时，发现 HiCore 在引入“长尾”——即那些通常被忽视的、较不流行的、小众物品方面表现得更好。它将 OpenDialKG 数据集上的“平均流行度”降低到了 0.0017，证明它并不只是在推送那些著名的东西。这表明，通过理解用户兴趣中复杂且多层的网络，该系统可以打破信息茧房，提供真正多样化且个性化的体验。

然而，作者也谨慎地指出，这并非一个没有局限性的魔杖。构建这些复杂的多层地图需要极高的计算量，这意味着它需要大量的计算机算力。他们还警告说，如果数据过于稀疏（对话量不足），系统可能会难以找到这些隐藏的模式。但就目前而言，HiCore 是一个强大的新方法，它确保了在你与数字助手之间的对话中，那些安静且有趣的细微声音能像热门话题一样被清晰地听到。

技术摘要：HiCore —— 缓解对话式推荐中的马太效应

1. 问题陈述

本文探讨了对话式推荐系统（CRSs）中的马太效应问题。这一现象可以用“强者愈强”的格言来概括，描述了热门项目获得越来越多关注，而较不热门的项目则被边缘化的场景。在对话式推荐系统中，由于动态的用户-系统反馈循环的存在，这一问题被进一步加剧：随着用户随时间与系统进行交互，对热门项目的强化作用不断增强，从而可能产生回声壁效应和过滤气泡。

现有方法在解决这一问题时面临两个主要局限性：

静态关注点： 大多数方法针对的是离线或准静态的推荐场景，忽略了对话设置中固有的动态反馈循环所带来的负面影响。
兴趣探索受限： 当前的方法通常依赖于单通道超图或传统的知识图谱（KGs）。由于数据稀疏性和特定关系类型的限制，这些方法无法捕捉多样化、高阶的用户关系模式，从而无法充分探索打破流行度偏差所需的多个层级的用户兴趣。

2. 方法论：HiCore 框架

作者提出了 HiCore（用于对话式推荐的多超图增强多兴趣自监督学习），这是一个端到端的框架，旨在通过学习动态反馈循环中的多层级用户兴趣来缓解马太效应。该框架由两个主要部分组成：

A. 多超图增强的多兴趣自监督学习

该模块构建了一组三通道超图，用于在三个不同层级上建模用户兴趣：项目级（Item-level）、实体级（Entity-level）和词汇级（Word-level）。每个层级利用三个特定的通道来捕捉用户行为的不同侧面：

群体通道 (g)： 分析用户之间的社会关系和共同偏好（例如，群体基元/motifs）。
联合通道 (j)： 捕捉朋友之间的共同行为（例如，朋友购买相同的物品）。
购买通道 (p)： 识别缺乏显式社会联系但具有共同购买历史的用户之间的隐式高阶关系。

构建细节：

面向项目的超图： 利用从历史对话中提取的三元基元（例如， $M^g_1$ 到 $M^g_7$ ）构建，以表示群体、联合和购买动态。
面向实体的超图： 利用 DBpedia 知识图谱将项目映射到实体及其 $k$ -跳邻居，以捕捉语义细微差别。
面向词汇的超图： 利用 ConceptNet 知识图谱分析对话中的关键词，捕捉诸如同义词和共现等语义关联。

学习机制：
该框架采用超图卷积网络在这些多通道结构中传播信息。它使用自门控单元（SGUs）来控制从基础用户嵌入到不同通道的信息流。最后，通过注意力机制和图卷积将所有通道和层级的兴趣聚合为一个统一的多兴趣表示（ $X_m$ ）。此外，采用自监督学习目标（使用 InfoNCE 损失）将学习到的表示与地面真值数据进行对齐，以增强对数据稀疏性的鲁棒性。

B. 兴趣增强的 CRS

学习到的多兴趣表示（ $X_m$ ）被集成到 CRS 中以增强两项任务：

推荐模块： 使用 $X_m$ 来选择目标项目，旨在提高预测用户偏好的多样性和准确性。
对话模块： 将 $X_m$ 与当前及历史对话上下文一起输入到基于 Transformer 的架构（特别是多头注意力层）中。这使得系统生成的响应不仅在上下文层面具有相关性，而且与用户多样化的多层级兴趣保持一致，从而降低了仅建议热门项目的倾向。

3. 核心贡献

新颖的 CRS 框架： HiCore 是首个专门通过三通道设置（群体、联合、购买）构建多超图，以学习多兴趣表示，从而缓解对话环境下马太效应的工作。
端到端架构： 提出的框架联合优化对话生成和项目推荐，利用多层级兴趣（项目、实体、词汇）同时增强这两项任务。
实证验证： 研究提供了广泛的定量和定性证据，证明了该框架在缓解马太效应方面优于现有的先进基准模型。

4. 实验结果

作者在四个基准数据集上对 HiCore 进行了评估：REDIAL、TG-REDIAL、OpenDialKG 和 DuRecDial。

推荐性能： HiCore 在所有数据集上均达到了新的 SOTA（最先进）水平。在 REDIAL 上，它将 Recall@10 (R@10) 提升至 0.2192，将 NDCG@10 提升至 0.1107，超越了 MHIM 和 KGConvRec 等强力基准模型。
对话性能： 在响应多样性（通过 Distinct-n 衡量）方面，HiCore 表现出显著提升。例如，在 REDIAL 上，它实现了 0.5871 的 Dist-2 分数，相比 C2-CRS 和 DialoGPT 等基准模型有了大幅提升。
马太效应的缓解：
- 覆盖率： HiCore 在所有数据集上都展示了最高的 Coverage@k (C@k)，表明它推荐了更广泛的项目谱系。
- 流行度偏差： 该模型实现了最低的平均流行度 (A@K) 分数，表明其推荐主流项目的倾向有所降低。
- 长尾效应： HiCore 展示了良好的长尾推荐比例 (L@K)，证实了其挖掘不热门但相关项目的能力。

5. 重要性与主张

论文声称 HiCore 有效地解决了对话系统中马太效应的动态性质。通过从静态、单通道模型转向多超图、多兴趣方法，系统可以适应随时间演变的用户偏好。作者认为，这种方法不仅提高了推荐的准确性和对话质量，而且至关重要的是，缓解了热门项目主导推荐的差距，从而促进了一个更加多样化且公平的推荐生态系统。

作者承认了局限性，指出三通道超图的计算复杂性以及在更大规模数据集上的潜在扩展性挑战，但仍坚持认为所提方法在平衡推荐性能与多样性方面迈出了重要一步。