Prevendo Intenções e Satisfação do Usuário com Recomendações Conversacionais Baseadas em Diálogo

Para desenvolver um sistema de recomendação conversacional baseado em diálogo de múltiplas interações (DCRS), é importante prever as intenções dos usuários por trás de suas falas e sua satisfação com a recomendação, permitindo que o sistema refine progressivamente o modelo de preferência do usuário e ajuste sua estratégia de diálogo. No entanto, pouco se investigou sobre essas questões até agora. Neste artigo, contribuímos primeiro com duas taxonomias hierárquicas para classificar as intenções dos usuários e as ações recomendadoras, respectivamente, com base na teoria fundamentada. Em seguida, definimos várias categorias de recursos considerando conteúdo, discurso, sentimento e contexto para prever as intenções e a satisfação dos usuários, comparando diferentes métodos de aprendizado de máquina. Os resultados experimentais da tarefa de previsão de intenção do usuário mostram que alguns modelos (como XGBoost e SVM) podem ter um bom desempenho na previsão das intenções dos usuários, e a incorporação de recursos de contexto ao modelo de previsão pode aumentar significativamente o desempenho. Nosso estudo empírico também demonstra que aproveitar características do comportamento de diálogo (ou seja, incluindo tanto intenções do usuário quanto ações recomendadoras) pode gerar bons resultados na previsão da satisfação do usuário.