软件学报

作者：赵梦媛，黄晓雯，桑基韬，于剑

单位：赵梦媛，北京交通大学 计算机与信息技术学院, 北京 100044;北京交通大学 人工智能研究院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004411,黄晓雯，北京交通大学 计算机与信息技术学院, 北京 100044;北京交通大学 人工智能研究院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004402,桑基韬，北京交通大学 计算机与信息技术学院, 北京 100044;北京交通大学 人工智能研究院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004403,于剑，北京交通大学 计算机与信息技术学院, 北京 100044;北京交通大学 人工智能研究院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004404

关键词：对话推荐系统;用户建模;人机交互;推荐系统

基金：国家重点研发计划（2018AAA0100604）；中央高校基本科研专项（2021RC217）；北京市自然科学基金（JQ20023）；国家自然科学基金（61632002，61832004，62036012，61720106006）

推荐系统是一种通过理解用户的兴趣和偏好帮助用户过滤大量无效信息并获取感兴趣的信息或者物品的信息过滤系统.目前主流的推荐系统主要基于离线的、历史的用户数据，不断训练和优化线下模型，继而为在线的用户推荐物品，这类训练方式主要存在3个问题：基于稀疏且具有噪声的历史数据估计用户偏好的不可靠估计、对影响用户行为的在线上下文环境因素的忽略和默认用户清楚自身偏好的不可靠假设.由于对话系统关注于用户的实时反馈数据，获取用户当前交互的意图，因此“对话推荐”通过结合对话形式与推荐任务成为解决传统推荐问题的有效手段.对话推荐将对话系统实时交互的数据获取方式应用到推荐系统中，采用了与传统推荐系统不同的推荐思路，通过利用在线交互信息，引导和捕捉用户当前的偏好兴趣，并及时进行反馈和更新.在过去的几年里，越来越多的研究者开始关注对话推荐系统，这一方面归功于自然语言处理领域中语音助手以及聊天机器人技术的广泛使用，另一方面受益于强化学习、知识图谱等技术在推荐策略中的成熟应用.将对话推荐系统的整体框架进行梳理，将对话推荐算法研究所使用的数据集进行分类，同时对评价对话推荐效果的相关指标进行讨论，重点关注于对话推荐系统中的后台对话策略与推荐逻辑，对近年来的对话推荐算法进行综述，最后对对话推荐领域的未来发展方向进行展望.

来源：2022年第12期

《软件学报》期刊编辑部

查看软件学报杂志2022年第12期