[发明专利]一种基于用户偏好图的多子目标对话推荐方法

说明书

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系统。

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。推荐系统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。而对话推荐系统(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系统的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。该任务旨在使系统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。多子目标推荐对话系统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系统对历史对话的回复，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系统，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K_p，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系统对历史对话的回复，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K_p；

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K_p。

b步骤：建立关键实体模块

基于当前用户偏好图K_p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K_p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K_p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K_p的初始核心结点。