マルチタスクのエンドツーエンド学習は会話型レコメンデーションを改善する

要旨

本論文では、会話型レコメンデーションタスクにおけるマルチタスクエンドツーエンドTransformerモデルの性能を分析する。会話型レコメンデーションとは、ユーザーが対話中に明示的に示した嗜好に基づいて推薦を行うことを目的とする。この分野における従来研究では、対話管理とエンティティ推薦タスクを別々のコンポーネントで処理する複雑なマルチコンポーネントアプローチが採用されてきたが、我々はT5テキスト変換モデルに基づく統一Transformerモデルが、関連アイテムの推薦と会話対話の生成の両方において競争力のある性能を発揮できることを示す。我々のモデルは、ReDIAL会話型映画推薦データセットでファインチューニングを行い、MovieLensから派生した追加の学習タスク（入力映画に基づく映画属性や関連映画の予測など）をマルチタスク学習設定で作成した。一連のプローブ研究を通じて、追加タスクで学習された知識が会話設定に転移されることを実証し、各タスクが関連するプローブスコアを9%から52%向上させることを示す。

English

In this paper, we analyze the performance of a multitask end-to-end transformer model on the task of conversational recommendations, which aim to provide recommendations based on a user's explicit preferences expressed in dialogue. While previous works in this area adopt complex multi-component approaches where the dialogue management and entity recommendation tasks are handled by separate components, we show that a unified transformer model, based on the T5 text-to-text transformer model, can perform competitively in both recommending relevant items and generating conversation dialogue. We fine-tune our model on the ReDIAL conversational movie recommendation dataset, and create additional training tasks derived from MovieLens (such as the prediction of movie attributes and related movies based on an input movie), in a multitask learning setting. Using a series of probe studies, we demonstrate that the learned knowledge in the additional tasks is transferred to the conversational setting, where each task leads to a 9%-52% increase in its related probe score.

マルチタスクのエンドツーエンド学習は会話型レコメンデーションを改善する

Multi-Task End-to-End Training Improves Conversational Recommendation

要旨

Support