Учебное пособие по RecSys 2020: Разговорные рекомендательные системы

• Приветствие и представление участников урока.  

• Введение в системы рекомендательной беседы и их цели.  

• Обзор структуры урока: вводная часть, формализация проблемы, методы оценки рекомендаций, методы рекомендаций, наборы инструментов и реальные системы.  

• Введение в разговорную рекомендацию и её персонализированный характер.  

• История исследований рекомендательной беседы, начиная с 1987 года.  

• Примеры ранних систем, таких как iThreeR и Married.  

• Введение термина "рекомендательная беседа" в 2000 году.  

• Обзор исследований с 2000 по 2017 год.  

• Проблемы и темы исследований: естественный язык, разнообразие, оценка, динамика предпочтений, холодный запуск.  

• Новый бум в 2018 году благодаря методам глубокого обучения и обучения с подкреплением.  

• Разговорный ИИ как задача, близкая к тесту Тьюринга.  

• Коммерческая значимость систем рекомендательной беседы.  

• Влияние на накопление данных и моделей использования.  

• Введение в проблему формализации систем рекомендательной беседы.  

• Обзор общей системы разговорного ИИ и её компонентов.  

• Различие между системами рекомендательной беседы и обычного поиска.  

• Цели и задачи различных компонентов системы: CRS, диалоговый поиск, диалоговый контроль качества, чат-боты.  

• CRS ориентирована на рекомендации, а голосовое управление - на выполнение команд пользователя.  

• CRS использует историю диалога и предпочтения пользователя для рекомендаций.  

• Голосовое управление реализует команды пользователя, такие как включение света или воспроизведение песни.  

• CRS выводит следующее высказывание и рекомендуемые элементы.  

• Рекомендации могут сопровождаться пояснениями для убедительности.  

• В CRS используются различные парадигмы взаимодействия, такие как SAO и SAA.  

• SAO: система активна, пользователь пассивен, вопросы задает система.  

• SAA: система и пользователь активны, задают и отвечают на вопросы.  

• SAE: система активна, пользователь вовлечен, вопросы и чат.  

• SAO: система задает вопросы, пользователь отвечает.  

• SAE: система задает вопросы, пользователь отвечает и общается в чате.  

• SAA: система и пользователь задают и отвечают на вопросы, общаются в чате.  

• Представление состояния диалога и действий.  

• Понимание предпочтений пользователя из диалога и внешних действий.  

• Определение времени для рекомендаций и ответов на вопросы.  

• Наборы данных соответствуют трем парадигмам взаимодействия.  

• Некоторые наборы данных включают внешние знания для лучшего представления элементов и пользователей.  

• Первая парадигма: набор данных sour dataset из статьи CIC 2018 года.  

• Пример: преобразование отзывов пользователей в диалоги.  

• Вторая парадигма: набор данных повторного набора из статьи 2018 года.  

• Пример: диалоги между сотрудниками о фильмах.  

• Третья парадигма: набор данных durect dial из 2020 года.  

• Пример: поисковики назначают предопределенные профили.  

• Мотивация оценки: улучшение виртуальной помощи и обучающей модели.  

• Систематика подходов к оценке: экспертные модели проектирования, участие пользователей, экспертное юзабилити.  

• Примеры показателей для оценки качества разговора и рекомендаций.  

• Оценка качества разговора: уровень оборотов, релевантность вопросов, частота диалогов.  

• Оценка качества рекомендаций: точность за ход, частота рекомендательных действий, успешность диалога.  

• Бизнес-уровень: коэффициент конверсии, выручка от продаж, удержание пользователей.  

• Пример оценки CRS в документе CIC.  

• Использование показателя частоты попаданий в nk для оценки качества диалога.  

• Оценка эффективности рекомендаций с помощью метрики NDCG.  

• Вопросы для исследования пользователей и анкеты для экспертов.  

• Оценка удобства использования и интеллекта системы.  

• Вопросы о лояльности и готовности использовать систему снова.  

• Три типичные системы искусственного интеллекта для ведения бесед.  

• Сквозные порождающие языковые модели и работа с графиком потока данных.  

• Мобилизованная архитектура с четырьмя основными модулями.  

• Основная цель понимания естественного языка.  

• Проблемы генерации естественного языка и два формата: основанный на поиске и основанный на генерации.  

• Метод, основанный на шаблонах, для генерации ответов.  

• Работа, одобренная CIM 2018, для выяснения предпочтений пользователя.  

• Использование сети с несколькими запоминающими устройствами для кодирования высказываний.  

• Применение механизма внимания и отрицательной выборки для выбора вопросов и рекомендаций.  

• Преимущества разговорных рекомендаций и персонализированной сети с многомерной памятью.  

• Ограничения: отсутствие разумной политики и исторического поведения пользователей.  

• Переход к продвинутым методам для решения этих проблем.  

• Работа опубликована в CQR 2020, но относится к парадигме без активной обратной связи.  

• Вопросы включают аспекты пользователя и атрибуты предмета.  

• Модуль обновления пользовательских убеждений отслеживает взаимодействие с элементами.  

• Используется предопределенный шаблон для генерации вопросов.  

• Вопросы могут быть заданы об атрибутах предметов.  

• Производительность улучшается с увеличением раундов разговора.  

• Набор данных включает рекомендации, полученные в ходе диалога.  

• Базовый метод не охватывает историческое поведение пользователя.  

• Стратегия управления состоянием диалога реализуется функцией pointer softmax.  

• Пользователь может активно отвечать и общаться с диалоговым агентом.  

• Агент должен понимать предпочтения пользователя и активно изучать разговоры.  

• Модуль планирования целей помогает управлять реакцией пользователя.  

• Используется граф внешних знаний для понимания семантического сходства.  

• Рассматриваются два отдельных графа знаний: ориентированный на слова и ориентированный на предметы.  

• Основная идея - унификация представлений узлов для соединения контекстуальных слов и элементов.  

• Система показана как крупномасштабная промышленная установка.  

• Модули NLG и NLG могут быть разработаны в другом формате.  

• Пользователь может выбрать интересную тему и получить похожие видеоролики.  

• В традиционной диалоговой системе ИИ управление состоянием диалога отслеживает состояние диалога.  

• В системах рекомендательных сообщений основное внимание уделяется каждому разговорному термину.  

• Система решает, давать ли рекомендации или задавать дополнительные вопросы.  

• Система решает три основных вопроса: какие атрибуты задавать, правильно ли рекомендовать и адаптировать онлайн-отзывы.  

• Преимущество перед CRM: возможность рекомендовать товары несколько раз.  

• Обратная связь пользователей должна быть четкой, что накладывает ограничения.  

• Используется контекст из отзывов пользователей в явном формате.  

• Диалоговая сессия выражается как явное хождение по графу.  

• Функция политики принимает решения на основе состояний диалога.  

• Диалоги с рассуждениями более интуитивны, чем диалоги с оценкой и размышлением о действии.  

• Они могут давать объяснимые рекомендации и учитывать контекст графика.  

• Разговорные обороты становятся более естественными и логичными.  

• Традиционные рекомендации дают одноразовые рекомендации, а диалоговые - многоэтапные.  

• Диалоговые рекомендации должны быть связаны с разговорными терминами и структурированной информацией.  

• Важно адаптировать профиль пользователя на основе структурированной информации.  

• Рекомендательная модель должна охватывать встраивание слов и предложений.  

• Важно осваивать пользовательские встраивания по мере продвижения разговорных оборотов.  

• Для расчета рейтинговых баллов можно использовать коллаборативную фильтрацию, матричную факторизацию или методы физики графов.  

• Объяснение важно для современных систем рекомендаций, особенно в диалоговых настройках.  

• Объяснения помогают пользователям понять рекомендации и лучше вести беседу.  

• Модель собирает отзывы пользователей для улучшения рекомендаций.  

• Ограничения включают отсутствие нейтрального отношения к объяснениям и отсутствие диалогового управления состоянием.  

• Корпус Open-ended dialogue KG был принят в 2019 году.  

• Модель KGp worker отсекает менее релевантные пути для эффективного сокращения пространства поиска.  

• Атрибуты в диалогах связаны с сущностями KG для отслеживания состояния диалога.  

• Работы разделены на три парадигмы: пассивный ответ, вовлеченность пользователя и активное участие.  

• Эти парадигмы помогают создать высокоинтеллектуальные системы рекомендаций для общения.  

• Исследовательские идеи и статьи по разговорному ИИ.  

• Использование существующих инструментов машинного обучения и понимания естественного языка.  

• Примеры систем с открытым исходным кодом для управления диалогами и рекомендаций.  

• Создание производственных систем рекомендаций в реальном времени.  

• Использование коммерческих наборов инструментов и платформ искусственного интеллекта.  

• Важность управления диалогами и специальных стратегий для диалоговых рекомендательных систем.  

• Пример архитектуры платформы для общения в режиме реального времени.  

• Виртуальный помощник должен поддерживать рекомендации, поиск, ответы на вопросы, социальный чат и голосовые команды.  

• Основные компоненты включают управление диалогами, понимание и генерацию естественного языка.  

• Высокие стандарты обработки намерений, смешанных инициатив и переключения контекста.  

• Поддержка изменения мнения, информации и целей пользователя.  

• Необходимость реального механизма действий для выполнения задач, таких как заказ продуктов и изменение статуса заказа.  

• Интеграция с системой рекомендаций и корпоративными знаниями для персонализированных рекомендаций.  

• Взаимодействие с базами данных продуктов и веб-сайтами для ответов на вопросы.  

• Интеграция с корпоративными системами для выполнения задач, таких как проверка статуса заказа и размещение заказа.  

• Виртуальный ассистент должен изящно выходить из строя при невозможности решить задачу.  

• Интеграция с контакт-центром для передачи задач реальному человеку в случае необходимости.  

• Взаимодействие с виртуальным ассистентом через различные каналы: голос, социальный чат, SMS, веб-сайты и мобильные приложения.  

• Управление состоянием клиента при переключении между каналами.  

• Управление жизненным циклом разработки программного обеспечения для виртуального ассистента.  

• Поддержка различных членов команды: дизайнеры, инженеры по ИИ и системной интеграции.  

• Оценка на уровне проекта, сессии и бизнеса.  

• Дизайн пользовательского интерфейса и бизнес-процессов для виртуального помощника.  

• Использование студии дизайна без кода для предоставления дополнительной информации.  

• Гибкость системы искусственного интеллекта для генерации диалогов на основе контекста и знаний.  

• Введение, предыстория, формулировка проблемы, наборы баз данных и оценка.  

• Представление моделей и существующих наборов инструментов.  

• Важность восполнения пробелов в рекомендательных системах общения.