Conversational recommender systems (CRS) aim to timely trace the dynamic interests of users through dialogues and generate relevant responses for item recommendations. Recently, various external knowledge bases (especially knowledge graphs) are incorporated into CRS to enhance the understanding of conversation contexts. However, recent reasoning-based models heavily rely on simplified structures such as linear structures or fixed-hierarchical structures for causality reasoning, hence they cannot fully figure out sophisticated relationships among utterances with external knowledge. To address this, we propose a novel Tree structure Reasoning schEmA named TREA. TREA constructs a multi-hierarchical scalable tree as the reasoning structure to clarify the causal relationships between mentioned entities, and fully utilizes historical conversations to generate more reasonable and suitable responses for recommended results. Extensive experiments on two public CRS datasets have demonstrated the effectiveness of our approach.

Translation (by gpt-3.5-turbo)

会話型の推薦システム（CRS）は、対話を通じてユーザーの動的な興味を追跡し、関連するアイテムの推薦を生成することを目指しています。最近では、さまざまな外部知識ベース（特に知識グラフ）がCRSに組み込まれ、対話の文脈を理解するために活用されています。しかし、最近の推論ベースのモデルは、因果関係の推論に線形構造や固定階層構造などの単純化された構造に大きく依存しているため、外部知識を持つ発話間の複雑な関係を完全に把握することができません。この問題を解決するために、私たちはTREAという新しいツリー構造の推論スキーマを提案します。TREAは、言及されたエンティティ間の因果関係を明確にするために、多階層のスケーラブルなツリーを推論構造として構築し、過去の対話を十分に活用してより合理的で適切な応答を生成します。公開されている2つのCRSデータセットでの幅広い実験により、私たちのアプローチの有効性が示されました。
Summary (by gpt-3.5-turbo)
会話型の推薦システム（CRS）では、外部知識を活用して対話の文脈を理解し、関連するアイテムを推薦することが求められている。しかし、現在の推論モデルは複雑な関係を完全に把握できないため、新しいツリー構造の推論スキーマであるTREAを提案する。TREAは多階層のツリーを使用して因果関係を明確にし、過去の対話を活用してより合理的な応答を生成する。幅広い実験により、TREAの有効性が示された。

AkihikoWatanabe / paper_notes

TREA: Tree-Structure Reasoning Schema for Conversational Recommendation, ACL'23 #840

Translation (by gpt-3.5-turbo)

Summary (by gpt-3.5-turbo)