个性化文本生成及其在推荐与对话中的应用
发布时间：2021-01-18 13:17
大数据及人工智能技术的发展对人们的生活方式影响深远。各种人工智能相关应用通过与用户的交互掌握其需求,提供相应的服务博得用户的满意。作为人机交互的重要形式,自然语言处理的意义不言而喻。而文本生成作为其中的经典问题也日渐成为学术界的热门研究领域。文本生成拥有广泛的应用场景,比如机器翻译、线上聊天机器人、电子商务系统及创意广告当中,文本生成技术都不可或缺。文本生成问题中一个值得关注的现象是:用户对于文本的喜好往往因人而异。相关研究表明,用户的性格对该用户对于文本的接受程度有很大的影响。例如在广告推荐中,有些用户表现出易受社交影响的特点,则“其他用户也尝试过”类型的广告更切中他/她的喜好。因此生成个性化的文本可使文本更具信服力,有助于提升用户满意度与信任度,并最终促成购买行为,其意义不言而喻。作为一个新兴课题,个性化文本生成包含以下三个研究问题:1)研究场景问题。什么样的研究任务中有条件及需求进行个性化文本生成;2)信息选取问题。哪些种类的个性化信息对相应任务有益,可以应用到文本生成中来;3)信息整合与用户建模问题。本文在包含推荐与对话的三个传统或新兴的研究场景中研究个性化文本生成,根据各场景...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：107 页
【学位级别】：博士
【部分图文】：
图１．１编码器？解码器架构（图片引自Ｓｈａｎｇｅｔａ丨．⑴）??在一部分工作着眼于研究如何对上文信息进行更准确的建模时，另一部分??
?其二是基于检索的文本提取，即从用户评论中选出最相关词语、句子乃至整??篇点评作为推荐文本［３７，４２４３］。这种形式的好处在于推荐文本真实自然，缺点在??于选出的推荐文本容易受到数据稀疏性的影响，且由于选取文本的粒度不一，可??解释性可能会受到一定的影响，需要用户对选出的文本进行再一次的理解。??其三是则是基于生成模型的可解释文本生成，结合语言模型，通过对大量用??户真实短评的学习，对用户信息进行建模，在预测商品评分的同时生成相应的短??评作为推荐语，对评分结果进行解释［２］（如图１．２）。此模型的优点在于短评生成??与用户建模的特征直接相关，使得生成的短评符合个性化的需求，多任务的学习??架构使得评分与推荐文本生成互相辅助，两任务的结果相对统一。然而，该任务??中的模型可解释性相对缺失，建模的用户隐式特征难以解释真正含义，难以显式??表明用户隐式特征在推荐语生成中的作用。另外，模型对于用户建模显得较为简??单，对用户的历史点评信息缺乏一定的利用。故我们希望结合用户的历史信息对??用户的一些显式特征建模，发掘用户对特定商品评价时的关键兴趣，并由此生成??与该兴趣直接相关的文本作为推荐语。??Ｊ??Ｒａｔｉｎｇ?Ｉ?丨?Ｒｅａｌｌｙ?｜?｜?ｇｏｏｄ?ｉ?ｐｉｚｚａ?｜?｜?！?ｉ?ｉ?＜ｅｏｓ＞??４?Ｉ?＂?？?：?；?？?＇?：?革?；?……￣?：?：?＇４???ｆ?ＣＺＤＥ３??；??ｉ?丨?丨！；??□?！?Ｒｅｖｋｗ?ｒｍ?Ｆｍ?ｒｎ￣ｉ?ｒｒｒｉ?ｒｍ??ｉ?４?ｉ??「’［］＂！?ｉ?１＇、—??４?ｉ?Ｉ?１?４?ｆ：丨?１?Ｈｉ、！－?ＣＩＺＤ??，７＾＇、
?第１章绪?论???义了相对清晰的流程（如图１．３），并结合记忆网络选择问题以及确定推荐结果，??其后Ｂｉ?ｅｔ?ａｌ．［４７］设计了吸收用户负反馈的机制并将提问问题转换为判断型的问??题简化用户回答开销；另有工作［４６］以任务相关的聊天机器人为主要场景，在对??话生成中嵌入商品推荐模块，利用上文信息建模用户兴趣。总体而言，现有的对??话式推荐系统大都致力于研宄系统所提问题的形式与选择策略，力求尽可能迅??速的建模用户兴趣，得到准确推荐结果，问题的生成一般基于规则。在展现结果??时，模型不具备对结果进行解释的能力，用户无法了解系统的具体推荐原因，影??响说服力。另一方面，由于是模型自主选择提问的问题，用户反馈的自由度受到??限制，在系统推荐给用户不满意的结果时，用户缺乏自主进行反馈的机会，显得??不够友好。??ｒ?Ｙ?＇；??ｉ??！?Ｒｅｓｕｌｔ？?ＴＴｒ－ｒｉ?：??！?——ｒｒ—．——！???Ｈｉｇｈ??Ｉｎｉｔｉａｌ?ｊ?；??／ｗ?Ｒｅｑｕｅｓｔ?＼丨?ｒｄｎ！??，?Ｉ?Ｖ，??／?＾?ｌ）?１??？ｅＵｓｐｏｎ〇５ｅ?１￣Ｈ?Ｓｅａｒｃｈ?Ｍｏｄｕｌｅ?￣￣？?｜?；??ｊ?Ｖ?Ｒｅｓｐｏｎｓｅ?］?Ｉ?［?Ｉｔｅｍ?Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?丨?Ｖ；??｜?：?ｉ?１?ｊ??＾???＼?ｊ??Ｙｅｓ?Ｉ?Ｎｏ?一＇Ｑｕｅｓｔｉｏｎ?Ｍｏｄｕｌｅ?＾￣２＾１?丨??：?Ｔ?；??？?ｉ????；??！??！?Ｑｕｅｓｔｉｏｎ?；??＼?Ｕｓｅｒ?Ａ?—?：?Ｓｙｓｔｅｍ?；??图１．３对话式推荐系统基本流程（图片引自Ｚｈａｎｇ?ｅ
【参考文献】：
期刊论文
[1]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
[2]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
本文编号：2985017
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：107 页
【学位级别】：博士
【部分图文】：
图１．１编码器？解码器架构（图片引自Ｓｈａｎｇｅｔａ丨．⑴）??在一部分工作着眼于研究如何对上文信息进行更准确的建模时，另一部分??
?其二是基于检索的文本提取，即从用户评论中选出最相关词语、句子乃至整??篇点评作为推荐文本［３７，４２４３］。这种形式的好处在于推荐文本真实自然，缺点在??于选出的推荐文本容易受到数据稀疏性的影响，且由于选取文本的粒度不一，可??解释性可能会受到一定的影响，需要用户对选出的文本进行再一次的理解。??其三是则是基于生成模型的可解释文本生成，结合语言模型，通过对大量用??户真实短评的学习，对用户信息进行建模，在预测商品评分的同时生成相应的短??评作为推荐语，对评分结果进行解释［２］（如图１．２）。此模型的优点在于短评生成??与用户建模的特征直接相关，使得生成的短评符合个性化的需求，多任务的学习??架构使得评分与推荐文本生成互相辅助，两任务的结果相对统一。然而，该任务??中的模型可解释性相对缺失，建模的用户隐式特征难以解释真正含义，难以显式??表明用户隐式特征在推荐语生成中的作用。另外，模型对于用户建模显得较为简??单，对用户的历史点评信息缺乏一定的利用。故我们希望结合用户的历史信息对??用户的一些显式特征建模，发掘用户对特定商品评价时的关键兴趣，并由此生成??与该兴趣直接相关的文本作为推荐语。??Ｊ??Ｒａｔｉｎｇ?Ｉ?丨?Ｒｅａｌｌｙ?｜?｜?ｇｏｏｄ?ｉ?ｐｉｚｚａ?｜?｜?！?ｉ?ｉ?＜ｅｏｓ＞??４?Ｉ?＂?？?：?；?？?＇?：?革?；?……￣?：?：?＇４???ｆ?ＣＺＤＥ３??；??ｉ?丨?丨！；??□?！?Ｒｅｖｋｗ?ｒｍ?Ｆｍ?ｒｎ￣ｉ?ｒｒｒｉ?ｒｍ??ｉ?４?ｉ??「’［］＂！?ｉ?１＇、—??４?ｉ?Ｉ?１?４?ｆ：丨?１?Ｈｉ、！－?ＣＩＺＤ??，７＾＇、
?第１章绪?论???义了相对清晰的流程（如图１．３），并结合记忆网络选择问题以及确定推荐结果，??其后Ｂｉ?ｅｔ?ａｌ．［４７］设计了吸收用户负反馈的机制并将提问问题转换为判断型的问??题简化用户回答开销；另有工作［４６］以任务相关的聊天机器人为主要场景，在对??话生成中嵌入商品推荐模块，利用上文信息建模用户兴趣。总体而言，现有的对??话式推荐系统大都致力于研宄系统所提问题的形式与选择策略，力求尽可能迅??速的建模用户兴趣，得到准确推荐结果，问题的生成一般基于规则。在展现结果??时，模型不具备对结果进行解释的能力，用户无法了解系统的具体推荐原因，影??响说服力。另一方面，由于是模型自主选择提问的问题，用户反馈的自由度受到??限制，在系统推荐给用户不满意的结果时，用户缺乏自主进行反馈的机会，显得??不够友好。??ｒ?Ｙ?＇；??ｉ??！?Ｒｅｓｕｌｔ？?ＴＴｒ－ｒｉ?：??！?——ｒｒ—．——！???Ｈｉｇｈ??Ｉｎｉｔｉａｌ?ｊ?；??／ｗ?Ｒｅｑｕｅｓｔ?＼丨?ｒｄｎ！??，?Ｉ?Ｖ，??／?＾?ｌ）?１??？ｅＵｓｐｏｎ〇５ｅ?１￣Ｈ?Ｓｅａｒｃｈ?Ｍｏｄｕｌｅ?￣￣？?｜?；??ｊ?Ｖ?Ｒｅｓｐｏｎｓｅ?］?Ｉ?［?Ｉｔｅｍ?Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?丨?Ｖ；??｜?：?ｉ?１?ｊ??＾???＼?ｊ??Ｙｅｓ?Ｉ?Ｎｏ?一＇Ｑｕｅｓｔｉｏｎ?Ｍｏｄｕｌｅ?＾￣２＾１?丨??：?Ｔ?；??？?ｉ????；??！??！?Ｑｕｅｓｔｉｏｎ?；??＼?Ｕｓｅｒ?Ａ?—?：?Ｓｙｓｔｅｍ?；??图１．３对话式推荐系统基本流程（图片引自Ｚｈａｎｇ?ｅ
【参考文献】：
期刊论文
[1]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
[2]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
本文编号：2985017
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/2985017.html
