会话式推荐系统中的元意图对话式UI设计及个性化的影响分析

会话式推荐系统中的元意图YuanMa，TimDonkers，TimmKleemann andJürgen Ziegler杜伊斯堡-埃森大学，Forsthausweg 2，杜伊斯堡，47057，德国摘要我们提出了一项研究调查用户的心理特征和他们的会话相关的偏好在会话推荐系统（CRS）。 我们收集了来自260名参与者的数据，使用问卷调查，涉及决策风格，智能手机领域中与对话相关的功能偏好，以及一组Meta意图，我们提出的一个概念是代表与CRS中的交互和决策相关的高级用户偏好。通过结构方程模型研究了用户决策风格、元意图和特征偏好之间的关系。 我们发现，决策风格有显着的影响，以及对功能偏好的元意图，但是，元意图没有这两个因素之间的中介作用，表明元意图是独立的项目功能偏好，因此可能是可推广的，域独立的概念。 我们的研究结果提供的证据表明，拟议的元意图是链接到用户的一般决策风格，因此可以在翻译一般的决策因素转化为更具体的设计指导CRS及其潜在的个性化。由于元意图似乎是领域无关的因素，我们假设元意图不影响用户关键词决策风格，Meta意图，对话式UI设计，对话式推荐系统1. 介绍会话式推荐系统（CRS[1]）近年来在研究和工业界得到了越来越多的关注[2，3]。通常，会话技术可以为用户提供强有力的指导，以实现他们的目标，并在表达他们的需求时具有高度的灵活性。Jannach等人[4]区分了基于自然语言的方法、基于表单的方法和基于cri- tiquing的方法。由于近年来NLP技术的进步，基于自然语言的CRS已经成为广泛研究的主题。Fu等 [5]将基于NLP的CRS归纳为3种范式：系统主动，用户被动（SAUP），系统主动，用户参与（SAUE），系统主动，用户主动（SAUA）。SAUA是CRS的用户发起范例，它为用户提供了最大程度的灵活性，允许用户和系统引导对话，并能够对用户的问题给予适当的反馈。适当的反馈意味着以用户友好的方式回答用户的问题，但不同的用户应该有不同的偏好，例如： 喜欢长句还是短句，是否涉及更多的技术细节。这些都是用户发起的CRS的挑战。SAUE和SAUP是系统启动的范例，第四版知识感知和会话推荐系统（KaRS）研讨会@ RecSys 2022，2023年9月18日yuan.ma @ uni-due.de（Y. Ma）;tim. uni-due.de（T.Donkers）;timm.kleemann@ uni-due.de（T.Kleemann）; juergen. uni-due.de（J. Ziegler）© 2022本文版权归作者所有。Creative Commons License许可使用署名4.0国际（CC BY 4.0）。CEUR研讨会论文集（CEUR-WS.org）CRS，其中系统引导对话，用户回答，不同的是SAUP要求用户直接回答问题，而SAUE允许用户不直接回答问题，而是提供另一个偏好或闲聊。系统发起的CRS也存在许多挑战，例如，来自CRS的问题需要在适当的抽象层次上形成，例如，询问产品的预期用途或某些特定的技术特征。问题相关的GUI小部件需要显示适当数量的选项。对话流应遵循用户为了应对CRS的这些挑战，需要彻底了解用户需求及其决策风格然而，到目前为止，很少有研究在CRS的背景下调查心理用户特征和一般对话相关偏好的影响[6]。 本文探讨了两种不同目标下CRS用户的心理特征。首先，我们的目标是获得更深入的了解CRS用户的心理特征，从问卷调查工具的响应的基础上。在这里，我们区分了稳定的个人特质，包括个性因素[7]和决策风格[8]，第二，在与CRS交互时代表一般用户偏好的任务导向特征，例如获取有关项目的详细信息或比较产品。我们称后者为元意图（或简称元意图），因为它们描述的用户目标更CEU Rhttp://ceur-ws.org讲习班ISSN1613-0073诉讼一般和高级的搜索目标通常通过CRS中的意图检测方法来表现心理因素是当前CRS未充分利用的重要资源因此，我们提出了一个初始框架，其中包括CRS设计中的心理因素，并描述了我们的核心研究目标，其中的元意图（图1）。作为第二个目标，我们研究了在会话场景中，用户心理特征和用户对产品主题的兴趣在本文中，我们描述了一项研究，分析这些问题，并提出其结果。我们的贡献是：我们提供了关于CRS用户决策风格的见解直观的）及其对我们提出的不同元意图的影响，以及决策风格、元意图和用户对产品特定功能/主题的兴趣之间的关系。 为此，我们提出了一个分析使用结构方程模型。2. 相关工作会话式推荐系统（CRS）已经成为一个快速发展和流行的研究领域，因为它们提供了一个灵活的、类似于人类的多轮对话来进行偏好诱导，这对于生成个性化推荐是必不可少的[9]。Jannach等人[4]区分三种类型的CRS，不同的是所使用的交互的风格和结构：基于自然语言的，基于形式的和基于批评的。由于自然语言的发展，基于NLP的CRS最近受到了相当大的关注处理. 他们通常使用一个问答格式张等人。[10]。作为主流，近年来得到了蓬勃发展，如：Sun和Zhang [1]将端到端的强化学习模型引入CRS，Zhang等人[11]结合上下文强盗方法来提高偏好诱导和推荐性能。Zhou等人[12]利用基于知识图作为外部知识来增强CRS，Li等人。[13] 将 项 目 和 特 征 统 一 在 同 一 臂 空 间 中 ， 使 用bandits方法简化CRS中的冷启动问题，Zhouet al.[14]从他们的数据集中提取主题线索，并利用它来提高CRS的实用性和用户基于NLP的CRS提供了最大的自由，允许用户自由表达，同时误解也经常发生，并导致用户沮丧。基于表单的CRS以GUI风格呈现问题和答案，引导用户通过预定义的对话框结构这种类型的CRS具有许多优点，因为它们为用户提供指导，避免错误，并可以包含领域知识。特别是使用相关的问题是重要的用户谁只有有限的知识有关的技术项目属性[15].缺点是问题序列/路径是手工制作的，没有足够的自由度，并且个性化程度较。基于批评的CRS将首先推荐选项然后以评论的形式引出用户 Ma等人[17]建议混合语言、GUI元素以改善CRS中的用户体验然而，这也对CRS的设计提出了更大的挑战。目 前 ， 非 常 有 限 的 研 究 尚 未 研 究用户例 如 ，Papenmeier et al.[18]研究了人类的咨询对话，确定了一些重复出现的策略，如函数，以连续缩小潜在项目的空间Kleemann等人[19]调查了使用顾问与其他决策辅助工具时的用户行为和个人特征，并研究了各种支持方法Atas等人[21]总而言之，偏好的确定和适应受到各种因素的影响，如个性特征、情绪状态和认知偏见。为了提供CRS的设计指导，并使其适应个人用户，需要更深入地了解影响CRS中用户决策和交互行为的心理因素 对于一般的推荐系统，心理特征对用户偏好构建和决策的影响已经被反复证明[ 21 ]。Lex等人[22]区分与认知、个性和情绪有关的因素心理特征的影响，如大五人格因素（例如，[23，24]），认知需求[25]或认知偏见[26]已经在几部作品中进行了研究然而，这些研究主要是为了更好地了解用户的偏好方面的推荐项目，并在提高其准确性。相比之下，心理因素和咨询对话的设计在CRS之间的关系仍然是一个未充分探索的领域。特别是与人类决策风格相关的理论似乎是研究这种关系的有前途的出发点。 理性和直觉决策风格[27]或认知风格（如认知需求）之间的区别可能会影响用户对CRS的评估。更具体的领域理论，如购物导向[28，29]，区分任务集中和体验购物也很有趣。然而，这些方法中没有一种已经应用于CRS。与CRS交互时的用户目标和偏好可以位于不同的抽象级别上。图1：结合心理因素（决策风格和元意图）和传统CRS的CRS框架低级偏好是指所需项目的具体属性（在CRS中通常称为意图，特别是添加细节[30]）。Jameson等人[31]提出了高层次的因素（如经济性和安全性），但这些因素与产品本身有关，而不是与用户喜欢与CRS交互的方式在更抽象的层面上，据我们所知，与CRS中的对话和问题类型相关的Meta级偏好尚未被研究。3. 用户特征和元意图为了探讨CRS用户的心理特征差异因此，我们使用工具来测量这些特性，使用决策风格量表（DSS）[27]来区分理性和直觉决策。虽然一般的决策风格，例如， 理性和直觉，适用于任意决策上下文，我们还旨在在更具体但仍然抽象的层面上捕获用户的偏好。这些元意图应该在项目级意图和一般决策风格之间架起桥梁它们也可能与更一般的推荐方案有关。我们假设了以下一组元意图（括号中有问卷调查项目），部分与一般使用因素相关，如效率，有效性和用户指导。我们将此列表视为在CRS中定义与用户决策过程相关的因素的第一步• 效率导向（对我来说，找到一套西装-快速生产出一个有能力的产品比探索所有的选择更重要• 多样性取向（在网上购物时，我倾向于探索我可能感兴趣的各种产品• 目标聚焦（我通常在访问网上商店之前就清楚我通常只有在看到可用的选择时才下定决心• 开放的指导（如果商店推荐我可能喜欢的产品，我会很感激• 对细节的兴趣（我通常尽可能多地收集有关我想买的产品的信息。我对产品的详细信息感兴趣。）• 类人（我想与顾问系统（如聊天机器人）进行类人对话。• 比较导向（比较不同候选产品的功能对我来说很重要。）• 选择范围（当系统推荐产品时，我更喜欢看到一个较长的列表，而不是一个简短的列表。我们提出的CRS框架结合了与项目及其属性（主题偏好和价值偏好）相关的心理水平因素和偏好，如图1所示。我们首先介绍每个部分代表什么。在左侧示出的决策风格这里我们用这个词主题而不是功能，以强调在CRS中，用户例如，询问用户关于主摄像头的分辨率（特征级别）、或拍摄好照片（使用级别）、或主摄像头的质量（评估级别）的问题都属于主题偏好启发。 用户对 产 品 功 能 / 主 题的 兴 趣 缩 写 为 以 下 主 题 偏 好 。图1的右侧部分是指常规的CRS模型可以是例如CRM模型[1]或CRS模型[32]（这是两种流行的CRS模型，包括会话功能和推荐功能，并利用深度神经网络）。中间部分的顶层元素是元意图，它解决了如何请求和响应的问题，可以用来指导CRS的交互风格。主题偏好与交互内容（询问哪个主题）相关，并且可以用于改进偏好引出过程。值偏好，代表用户对特定功能/主题的个性化偏好值。中间部分，主题偏好和价值偏好也被称为意图检测，这是基于NLP的CRS的一个活跃的研究领域为了研究决策风格对意图检测的影响，我们将意图检测分解为两个我们的框架提出，心理特征可以被视为额外的知识，以改善CRS设计，所以在本文中，我们应用结构方程模型来分析心理特征如何影响这些因素，我们的研究可以归结为两个问题：• 决策风格是否显著影响用户• 元意图在决策风格和主题偏好之间是否存在中介作用？4. 研究为了调查CRS用户在决策风格和Meta意图层面上的心理特征，以及与其主题偏好的可能关系，我们进行了一项在线调查，参与者被呈现了一个涉及购买新智能手机的场景，并回答了关于他们的产品相关偏好以及他们的心理特征的问卷。我们假设一般特质（决策风格）显著影响元意图和主题偏好。 我们还假设元意图可能在决策风格和用户的主题偏好之间起中介作用。图2：我们的结构方程模型，包括3个部分，稳定的心理特质（决策风格），提出的心理特质（元意图）和主题偏好（智能手机领域）。4.1. 方法我们首先向参与者展示了一个场景，他们应该购买一部新的智能手机，然后开始我们的问卷调查。之所以选择智能手机领域，是因为它需要一个足够复杂的决策过程，涉及各种决策标准。对于大多数人来说，这也是一项众所周知的现实任务，需要至少在一定程度上了解产品功能此外，它还有大量的功能选项。 为了测量心理特征，我们应用了现有的决策风格量表（DSS）问卷[27]以及自行开发的元意图问题（第3节），两者都有5分Likert量表。为了衡量主题偏好，我们收集了智能手机领域的27个主题，包括4个不同的级别：使用级别，通用级别，技术级别和专业级别，如表1所示。我们的问卷中有一些不太知名的主题的简短描述，例如。网络敏感度（信号强度，连接到移动网络的容易程度我们要求参与者根据他们的兴趣（1：不关心，5：非常感兴趣）在5分制的李克特量表上对每个主题进行4.2. 参与者我们使用Prolific1（一种通常用于学术调查的工具）招募了278名参与者[33]，其中275人完成了研究。在我们的分析中，我们只考虑了通过3个内部注意力测试问题（例如，，这260名参与者中有143名是女性。年龄19 ~ 75岁（M= 38.42，SD= 12.60）。我们根据以下标准预先选择多产用户，以最大限度地提高质量：（1）参与者应能说流利的英语;（2）他们的成功率应第1https://www.prolific.co表1性能比灵敏度专业屏幕主摄像头操作RAM ROM本地化CPU和GPU分辨率分辨率系统大于95%。调查的平均持续时间为5.56分钟（SD=2.48），如果成功完成调查，每位参与者5. 结果我们将结构方程模型（SEM）应用于我们的数据集，以估计和测试三个主要变量的因果效应：决策风格，Meta意图和主题偏好。由于DSS是一个完善的、经过验证的问卷，并且元意图是用单个项目捕获的（每个因素只有一个问题），因此我们可以直接将两者合并到我们提出的模型中（参见图2）。另一方面，关于主题偏好，共询问了27个具有假设共性的主题（项目），例如：拍摄照片视频（使用）、主摄像机的数量（技术）和主摄像机分辨率（专业）应该涉及相关的评级模式，因此可能加载到相同的因素上。因此，我们不把所有27个主题作为单一的自变量，但应用探索性因素分析（EFA）提取联合潜在变量，随后可以输入到我们提出的SEM模型。5.1. 关于主题偏好的主题偏好的得分来自260名有效参与者对27个智能手机主题的其中有63人至少将一个主题标记为未知（见图3）。因此，我们发现，越是技术性的话题，越少人能理解它的含义。最后，只有197名参与者的数据可用于全民教育分析。首先，我们对EFA进行了先决条件检验，Kaiser-Meyer-Olkin（KMO）值为0.796（> 0.7），Bartlett<检验为显著性（0.001），这两个检验都表明我们的数据符合进行EFA的要求。然后，我们使用主成分分析（PCA）来提取因子，通过方差最大旋转和Kaiser归一化，以特征值> 1作为阈值来确定，图3：未知数量的用户感兴趣的主题。X轴代表未知数，Y轴代表用户感兴趣的主题。橙色条表示4个类别的未知挖掘因子的数量我们递归地运行EFA，这样在第一个epoch之后，导致丢弃一个项目，第二次运行最终满足要求。我们总共筛选出7个主题：屏幕分辨率（因子加载0.4）、性价比（单项因子）、生物识别解锁（单项因子）、多应用程序（因子加载0.4）、耳机插孔35（单项因子）、拍照和视频以及智能手机游戏（Cronbach���<0.6）。最后，我们从22个主题中提取了六个因素我们根据它们所代表的主题来命名这些因素：相机，可靠性，新颖性，设计，内存存储和技术。6个因子的累积方差为66.35%，因子负荷均大于0.4，共同度均大于0.49，Cronbach���’s均大于0.60。详情见表2。收集了智能手机领域的27个用户感兴趣的主题和4个类别。使用智能手机拍照以观看视频多个应用程序游戏和视频自拍和文件通用价格网品牌颜色大小权重鲁棒性语音质量最新技术耳机体面的模样数量电池寿命和生物识别5G双SIM卡技术千斤顶35相机主摄像头充电速度解锁表2共有27个专题的全民教育最终结果（df =197）。 第一列表示智能手机领域中的保留主题和Cronbach���因子值。第一列表示主题社区和已建立的潜在因素。 粗体表示值大于0.5。因素存储器主题共性相机可靠性新奇设计存储技术拍摄照片和视频.74.85-.01.01-.06.10.04前置摄像头.74.79.23-.04.02.08.07主摄像机分辨率.58.75.10.04.03.32-.03自拍.49.71.13.11.20.01.03主摄像机.55.64.06.33.27.08.16网络灵敏度.66.17.76-.02-.09.21.07稳健性.61.14.69.10.19-.04.13语音质量.77.05.64.30.05-.10.17电池寿命和充电速度.65.10.60-.23.11.35-.185G.56.08.11.75.06.15.08双SIM.65.03-.06.71.19.13.03最新技术.56.26.28.56.30-.01.04颜色.68.05.05.17.85.04.04品牌.69.21-.02.06.68-.06.27尺寸和重量.65.01.23.22.64.26-.01ROM.67.24.15.14.09.83.03RAM.71.15-.01.22.02.77.23操作系统.76.02.02-.08.16.08.85定位.72.26.27.35.12.09.60CPU和GPU.81.02.25.47.01.22.58克朗巴赫氏管.83.60.66.64.80.685.2. 结构方程模型对决策风格、元意图、主题偏好的最后，根据我们的数据，我们构建了一个SEM，其中包含决策风格，元意图和主题偏好，如图4所示。决策风格（椭圆形）和主题偏好（椭圆形）估计从几个直接测量的问卷项目。 为了尽可能清楚地显示我们的主要因素之间的关系，我们省略了具体问卷项目的因素负荷。决策风格和元意图是这个框架中的潜在变量，然而，由于元意图是由一个单一的问题来衡量，我们使用矩形来表示它们。箭头表示显著影响，上面的值表示标准化回归系数，而为了清楚起见，已经删除了不显著的联系由于整个SEM相当大，为了系统地分析它，我们将其分为两部分，绿色圆角矩形代表A部分，黄色圆角矩形代表B部分。5.2.1. A部分：决策风格和元意图第一部分着重于决策风格对元意图的影响。在去除非显著性影响后，八个元意图因素中的五个仍然存在。我们发现因素合理性对五个元意图因素有显著影响，其中对细节兴趣（0.61）和比较导向（0.47）的影响最大。理性对多样性取向（0.22）和选择范围（0.26）有正向影响，对效率取向（-0.29）有负向影响与此相反，对于直观性因素，只有一个单一的显着（积极）的影响，效率导向（0.34）可以确定。5.2.2. B部分：决策风格和主题偏好第二部分主要探讨决策风格对话题偏好的影响在清除了不显著的影响后，六个主题偏好因素中的四个仍然存在。我们发现合理性对相机（0.27）、记忆存储（0.31）和技术（0.26）有积极和显著的影响直观性对相机性（0.46）、可靠性（0.34）、记忆性有显著的正A部分0.470.610.22-0.290.26相机0.270.46理性可靠性0.310.340.340.260.21存储器存储直观0.29技术B部分选择范围兴趣多样性细节取向存储（0.21）和技术（0.29）。 虽然决策风格在MI水平上表现出相反的效果（对于效率导向），但在这里他们没有表现出这种模式，只是影响系数不同。相 机 因素的差异最大，直观性的标准化回归系数（0.46）大于合理性（0.27）。从这些结果中，我们可以回答前面提出的第一个研究问题：决策风格对某些元意图和主题偏好因素有重要图4：结构方程模型包括3个部分，稳定的心理特质（决策风格）、建议的心理特质（元意图）和用户感兴趣的主题（智能手机领域）。5.2.3. 整体模型整体模型拟合如表3所示。第5.2.1和5.2.2小节认为决策风格显著影响元意图和主题偏好，这满足检验中介效应的前提条件（元意图作为中介）。然而，我们发现元意图对主题偏好没有显著影响对间接影响（决策风格→元意图）应用Bootstrap测试（2000次迭代）→主题偏好）没有产生显著的间接影响，阻止了进一步的中介分析，并回答了第二个研究问题：元意图不作为决策风格和主题偏好之间的中介这一发现提供了一些指示，即元意图独立于特定的产品领域，在这种情况下是智能手机。表3结构方程模型的总体适应度指标。��� 2/DFGFI AGFI TLI NFI CFI RMSEA评价6. 讨论6.1. A部分：决策风格和元意图研究发现，理性对元意图的影响比直觉更显著，而理性和直觉对效率导向的影响相反。这意味着人们越理性，他们似乎越不关心效率。在CRS中的用户交互级别，效率可以由交互时间以及键入文本所需的点击和重复次数在个性化CRS设计中，该因素对对话的长度、每次输出显示的信息量以及何时显示推荐产品具有指导作用理性对多样性取向、细节兴趣、比较取向和选择范围也有正向影响。多样性取向指示用户希望在推荐列表中看到多样范围的项目对细节的兴趣提供了在显示产品功能和其他信息（如客户评论）时应显示比较导向表明，用户希望看到产品，他们的功能和客户评估并排，例如在比较功能中进行判断。选择范围可以告诉我们选择推荐列表的适当长度，也可能是产品显示的功能列表的长度。总之，这些研究结果为CRS的设计提供了一些启示，包括对话结构，问题和答案的设计以及建议的呈现。 如果用户决策风格的数据可用，例如通过对其交互行为进行分类，研究结果也可以为CRS的个性化提供依据。6.2. B部分：决策风格和主题偏好关于B部分，我们注意到直觉性在相机上具有比理性（0.27）更大的标准化回归系数（0.46），这意味着直觉性的人比理性的人对相机功能更感兴趣。这为CRS在这一特定领域的设计提供了一些指导当引发偏好（或检测意图）时，相机是具有高直觉的用户感兴趣的主题从更普遍的角度来看，理性决策者和直觉决策者之间的差异表明，前者更关注产品领域的低级技术细节（例如安装在智能手机中的CPU），而后者更关注以下信息标准1 3 >0.8 >0.8 >0.9> 0.9> 0.9 0.08直接经验性质（如质量提出 SEM1.8090.846.794 .849 .768 .877.064一张照片）。我们的研究结果提供了对意图检测的见解，CRS在优先级诱导中。假设关于用户的决策风格的数据以帮助选择要询问的特征以及询问的顺序同时，我们想在这里指出一个局限性 与可以应用于各个领域的元意图的高抽象级别不同，这里的发现是基于特定领域（智能手机）的。尽管如此，我们提供了一个想法，利用决策知识，以加强在特定领域的CRS的偏好诱导过程。6.3. 整体模型将结构方程模型应用于整体模型后，我们发现元意图因素对主题偏好没有显著影响，这意味着我们提出的元意图似乎独立于产品特征和主题，并且在决策风格和主题偏好之间不存在中介作用。元意图似乎与具体的产品领域无关，但它是否真的与领域无关还有待于多领域研究的验证。我们相信我们的研究结果提供了一些初步的有价值的见解，可以帮助更好地设计和个性化CRS。特别是，我们要指出，应从多个角度看待CRS的经验。个体决策行为的差异似乎不仅与对特定产品功能的态度有关，而且与对整个交互过程的期望有关。因此，在设计CRS时，不仅要考虑推荐产品的个性化，还要考虑代理人如果以适当的方式考虑到这两个方面，可以假设可以产生积极的转移效应，这些效应一起丰富了用户7. 结论在本文中，我们提出了一组元意图因素，它可以被看作是经典的心理因素（决策风格）和项目级意图之间的桥梁并可以作为个性化用户界面设计的CRS的指标我们还提出了一个CRS框架，结合决策风格，元意图因素，和传统的CRS模型。本文利用结构方程模型验证了决策风格对元意图和主题偏好的显著影响。 我们还发现，元意图似乎是领域独立的，对话特定的因素，不具有中介作用的主题偏好。我们的研究结果提供的证据表明，所提出的元意图与用户的一般决策风格有关，因此可以有助于将一般决策因素转化为CRS及其潜在个性化的更同时，我们也指出了本实验的三个局限性：1.元意图是一个新的概念，我们只使用了一个或两个问卷项目的意图。我们计划进一步开发该工具，并使用更多的问题来验证元意图二、该实验的领域仅限于智能手机，未来还需要在多个领域进行3. 元意图到特定的CRS模型和MI对用户交互的真正影响的集成需要在未来的工作中探索引用[1] Y.太阳，Y。Zhang，对话式推荐系统，在：第41届国际ACM SIGIR信息检索研究发展会议，SIGIR'18，美国纽约州纽约市计算机协会，2018年，第235-244。doi：10.1145/3209978.3210002。[2] Z.傅，Y。西安Y. Zhang， Y. Zhang，WSDM2021会话推荐系统，WSDM'21，计算机器人协会，美国纽约州纽约市，2021年1134-1136.doi：10.1145/3437963.3441661。[3] C. 高，W. Lei，X. 他，M。de里克T.- S.Chua ， Advances and Challenges in Conversa-tional Recommender Systems ： A Survey ， AIOpen 2（2021）100-126。doi：https：//doi. 或g/10。1016/j。 一个人。2021年06. 002.[4] D. Jannach ， A.Manzoor ， W. 蔡 湖 ， 加 - 地Chen，ASurveyonConversationalRecommender Systems，ACM Comput.监视器54（2021）。doi：10.1145/3453154。[5] Z. 傅，Y。 西安， Y. 张先生， Y. 张先生，Tuto关于会话推荐系统，在：第十四届ACM推荐系统会议，RecSys '20，计算机械协会，纽约，纽约，美国，2020年，第751-753页。网址：https://doi.org/10.1145/3383313。3411548。doi：10.1145/3383313.3411548。[6] B. 肖，我。Benbasat，电子商务产品推荐代理商：使用，特征和影响，MIS Q。31（2007）137-209。[7] S. D. 作 者 ： Gosling ， P. J. Rentfrow ， W. B.Swann ， A verybrief measure of the big-fivepersonality domains ， Journal of Research inPersonality 37（2003）504-528. doi：10. 1016/S0092 - 6566（03）00046 - 1。[8] K.汉密尔顿，S.- I. Shih，S.穆罕默德，理性和直觉决策风格量表的发展和验证，人格评估杂志98 （ 2016 ） 523-535 。 doi ： 10.1080/00223891 。2015.1132426。[9] B. Lika，K.Kolomvatsos，S.Hadjiefthymiades，Facing the cold start problem in recommendersystems ， ExpertSyst.Appl.41 （ 2014 ）2065doi ： 10。 1016/j。 是 的 。 2013 年 。 09.005.[10] Y. Zhang，X.陈角，澳-地艾湖，加-地杨，W. B.Croft，To-wards会话搜索和推荐：系统询问，用户响应，在：第27届ACM信息和知识管理国际会议论文集，CIKM '18，计算机械协会，纽约，纽约，美国，2018年，第100页。177-186。doi：10.1145/3269206.3271776。[11] X. Zhang ， H.Xie ， H.Li ， J.C. S. Lui， Towardbuildingconversationalrecommendersystems ： A contextual bandit approach ， CoRRabs/1906.01219（2019）。arXiv：1906. 01219[12] K. Zhou，W. X. Zhao，S.卞，Y.周杰- R. 温先生，J. Yu，通过基于知识图的语义融合改进会话推荐系统，在：第26届ACM SIGKDD知识发现&数据挖掘国际会议论文集，2020年，第10页。1006-1014. doi：10.1145/3394486。3403143。[13] S. Li，W.莱伊角 Wu，X.他，P. Jiang，T.- S.Chua，无障碍统一属性和项目：冷启动用户的会话推荐，ACM Trans. INF. 系统39（2021）。doi：10.1145/3446427。[14] K. Zhou ， Y. Zhou ， W. X. Zhao ， X. 王 建 - R.Wen，Towardstopic-guidedconversationalrecommendersystem ， in ： Proceedings of the28th InternationalConference on ComputationalLinguistics ，InternationalCommitteeonComputational Linguistics ，Barcelona，Spain（Online），2020，pp.4128-4139 doi：10。18653/v1/2020。coling-main。365[15] I. Kostric，K.巴洛格湾Radlinski，通过与使用相关的问题在会话推荐系统中征求用户偏好，在：第15届ACM推荐系统会议，RecSys724-729[16] L.Chen，P.Pu，Critiquing-basedQuestioners： Survey and Emerging Trends，User Modeling and User-Adapted Interaction 22（2012）125[17] Y. 妈，T.Kleemann，J.Ziegler，Mixed-modalityinteractioninconversationalrecommendersystems ， in ： Interfaces and Human DecisionMaking for Recommender Systems 2021 ：Proceedings of the 8th Joint WorkshoponInterfacesandHumanDecisionMakingforRecommender Systems，2021，pp. 21-37号。[18] A. Papenmeier ， A. Frummet ， D. 克 恩 ：“嗯……”-产品搜索代理的会话策略，在：ACMSIGIR人类信息交互和检索会议，CHIIR '22，计算机协会，纽约，纽约，美国，2022，第36-46页。doi：10.1145/3498366.3505809。[19] T. Kleemann，M.瓦格纳湾，巴西-地Loepp，J.齐格勒，莫德-在过滤机制、推荐算法和广告的融合Mensch Und Computer 2021 ， MuC '21 ，Association for Computing Machines ， NewYork，NY，USA，2021，第499-511页。doi：10.1145/3473856.3473859。[20] T.克莱曼湾Loepp，J. Ziegler，Towardsmulti-methodsupportforproductsearchandrecommending ， in ： Adjunct Proceedings ofthe 30th ACM Conference on User Modeling，Adaptation andPersonalization，2022，pp. 七四比七九s：10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000//i. 或g/10。1145/3511047。3536408。[21] M. Atas，A.Felfernig，S.Polat-Erdeniz，A.波佩斯库，T. N. T. 特兰，M。Uta，Towards Psychology-AwarePreference Construction in RecommenderSystems：Overview and Research Issues，Journalof Intelligent Information Systems（2021）1[22] E. Lex，D. 作者：T. N. T. 特兰A. Felfernig ， M.Schedl ， Psychology-informedrec-ommendersystems，FoundationsandTrends® in InformationRetrieval 15（2021）134-242。doi：10.1561/1500000090。[23] M. 特 卡 尔 契 奇 湖 Chen ， Personality andRecommender Systems ， Springer ， Boston ，MA，2015，pp. 715-739. doi：10.1007/978-1-4899-7637-6_21。[24] T. Z. Gizaw ， H. 董 军 ， A.Oad ， Solving cold-startproblem by combining personality traits anddemographicattributesinauserbasedrecommender system，International Journal ofAdvanced Research in Computer Science andSoftware Engineering 7（2017）.[25] M. Millecamp，N. N. Htun，Y. Jin，K. Verbert，控制Spotify推荐：个人特征对音乐推荐用户界面的影响，在：第26届用户建模，自适应和个性化会议论文集，UMAP '18，计算机械协会，纽约，纽约，美国，2018年，第101页。101比109doi：10.1145/3209219.3209223。[26] J.Zhang ， 推 荐 系 统 的 优 化 效 果 ， 在 ：Proceedings of the 5th ACM Conference onRecommender Systems，RecSys'11，AssociationforComputingMachinery，NewYork，NY，USA，2011，p.375-378. doi：10.1145/2043932.2044010。[27] K.汉密尔顿，S.- I. Shih，S.穆罕默德，理性和直觉决策风格量表的发展和验证，人格评估杂志98 （ 2016 ） 523-535 。 doi ： 10.1080/00223891 。2015.1132426。[28] O. B. Büttner，A. Florack，A. S. Göritz，购物导向作为一种稳定的消费者倾向及其对消费者对零售商沟通评价的影响[29] O. B. Büttner，A. Florack，A. S. Göritz，购物导向如何影响货币和非货币促销的有效性，欧洲营销杂志（2015）。[30] W.蔡湖，加-地Chen，Predicting user intentsandsatisfactionwithdialogue-basedconversationalrec-commendations ， in