يبدو أنك شخص يشاهد أفلام الدراما: نحو التنبؤ بتفضيلات الأفلام من تفاعلات المحادثة

توفر شعبية المتزايدة للمساعدين الشخصيين في الصوت فرصا جديدة لتوصية المحادثة. يتمثل أحد المجالات الممتعة بشكل خاص توصية الفيلم، والتي يمكن أن تستفيد من تفاعل مفتوح العضوية مع المستخدم، من خلال محادثة طبيعية. نستكشف إحدى الاتجاه الواعد لتوصية المحادثة: رسم خرائط مستخدم محادثة، ومن الذي توجد بيانات محدودة أو لا توجد بيانات متاحة، إلى معظم المراجعين الخارجيين المتشابهين، الذين يعرف تفضيلاتهم، من خلال تمثيل المحادثة كجاهر مصلحة للمستخدم، وتثبيت تقنيات التصفية التعاونية لتقدير تفضيلات المستخدم الحالية للأفلام الجديدة. نحن نسمي طريقة محدودية الأسلوب المقترحة (تصفية تعاونية محادثة باستخدام بيانات خارجية)، أي 1) تتخلى عن مشاعر المستخدم تجاه كيان من سياق المحادثة، و 2) يحول تصنيفات "المراجعين الخارجيين" المماثلة للتنبؤ بتفضيلات المستخدم الحالية. نقوم بتنفيذ هذه الخطوات من خلال تكييف تقنيات تنبؤ المعنويات السياقية، وتكييف المجال، على التوالي. لتقييم طريقتنا، نقوم بتطوير وتوفير مجموعة بيانات مشروحة ناعمة من محادثات توصية الأفلام، والتي نسميها أففساء. توضح نتائجنا أن Convextr يمكن أن يحسن دقة التنبؤ بتصنيفات المستخدمين للأفلام الجديدة من خلال استغلال محتوى المحادثة والبيانات الخارجية.

The increasing popularity of voice-based personal assistants provides new opportunities for conversational recommendation. One particularly interesting area is movie recommendation, which can benefit from an open-ended interaction with the user, through a natural conversation. We explore one promising direction for conversational recommendation: mapping a conversational user, for whom there is limited or no data available, to most similar external reviewers, whose preferences are known, by representing the conversation as a user's interest vector, and adapting collaborative filtering techniques to estimate the current user's preferences for new movies. We call our proposed method ConvExtr (Conversational Collaborative Filtering using External Data), which 1) infers a user's sentiment towards an entity from the conversation context, and 2) transforms the ratings of similar'' external reviewers to predict the current user's preferences. We implement these steps by adapting contextual sentiment prediction techniques, and domain adaptation, respectively. To evaluate our method, we develop and make available a finely annotated dataset of movie recommendation conversations, which we call MovieSent. Our results demonstrate that ConvExtr can improve the accuracy of predicting users' ratings for new movies by exploiting conversation content and external data.