RecSys 2024 Best Paper
課題意識
- これまでの対話型推薦システムは正しい回答(アイテム)を返すことに終止している
- 感情的な共感が欠如した応答や推薦が返されている
- しかし人間の意思決定には感情というファクターが関わっていることを無視すべきではない
提案手法
-
Emotion-aware item recommendation と Emotion-aligned response generation を組み合わせた推薦システムを提案する
- 感情ラベルの種類
- Like,Curious,Happy,Grateful,Negative,Neutral,Nostalgia,Agreement,Surprise
- 感情ラベルの種類
-
Emotion-aware item recommendation
-
local emotion-aware entities representation と global ~ を用意して、これを concat 舌表現を作る
-
local emotion-aware entities representation
- 会話から言及されるアイテムと、それに関する感情の確率を抽出
- like 80%, Agreement 20%
- 感情ごとの埋め込みベクトルに対して、それぞれの確率をかけ合わせて合計し感情ベクトルを作成
- アイテムのベクトルと concat して local emotion-aware entities representation を用意する
- 会話から言及されるアイテムと、それに関する感情の確率を抽出
-
global emotion-aware entities representation
- 感情ラベルごとに、そのラベルが付きやすいアイテムをグループ化しておく
- ローカルで出現したアイテム群 e_i について、学習データ中の他のアイテム_j について、e_i と e_j の共起確率と e_i (アイテム e_i に最も強く紐づく感情ベクトル) とをかけ合わせたものを global ~ とする
-
-
この representation を会話履歴・プロンプトと共に LLM に入力する。得られた応答の中からアイテムを取り出し、ユーザからのフィードバックがあればその重みをアイテムに付与して次回以降の生成に役立てる
-
-
Emotion-aligned response generation
- 知識グラフと、事前に集めた特定のアイテムに関する感情的なフィードバックを集約して、感情を考慮したアイテムに関する文章生成ができるように学習を行う