Bias CRSダウンロード - Bias CRSソースコードのダウンロード

Bias CRS

AI ソースコード

1.0.0

ダウンロード

バイアス分析と言語モデルで強化されたデータ拡張による会話型レコメンデーションシステムの改善

EMNLP 2023 に承認されました (調査結果)

環境を準備するコマンド

 apt-get update
apt-get install build-essential -y

Preparing enviroment:
(for torch 1.12.0)

Option 1: 
pip install pyg-lib torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-1.12.0+cu113.html
export LD_LIBRARY_PATH="/opt/conda/lib/:$LD_LIBRARY_PATH"

Option 2:
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113 
pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-geometric

pip install -r requirements.txt

For the case of "command 'x86_64-linux-gnu-gcc' failed with exit status 1":
apt-get install python3.x-dev

簡単なテスト

 python run_bias_crs.py --config config/crs/tgredial/tgredial.yaml

実験は ReDial、KGSF、KBRD、TGReDial モデルで実施され、ReDIAL および TGReDIAL データセットで評価されました。

データ拡張

合成ダイアログの生成と準備は、data_aug フォルダー内の [data_prep_gen_ .ipynb]、次に [gen_convert_ .ipynb] によって実装されます (* はデータセットの名前を指します)。

データの拡張は [bias_crs/data/dataloader/base.py] 内の Base.py 内で実装されますが、popNudge を介して拡張される項目の数の変更はここから変更できます。

実験を実行するたびに、結果は [data/bias/] ディレクトリの下に保存され、その後にモデルとデータセットの名前に基づいて名前が付けられ、[bias_anlytic_data.csv] という名前のフォルダーが続きます。

クロスエピソード人気度およびユーザー意図指向人気度スコアによる推奨結果の対応する分析には、[分析] フォルダーからアクセスできます。

エピソード間の人気を計算する

 from scipy.stats.stats import pearsonr

def compute_pop_scores(pop_score_dict, items):
    return [pop_score_dict[item] if item in pop_score_dict else 0.0 for item in items]

pop_scores = [compute_pop_scores(pop_score_dict, row['Prediction_items']) for _, row in data.iterrows()]
data['pop_scores'] = pop_scores

new_conv = True
cep_scores = []
for idx, row in data.iterrows():
    # set the default value to the first episode
    if new_conv:
        new_conv = False
        cep_scores.append(0.5)
    else:
        if idx+1 < len(data) and row['conv_id'] != data.at[idx+1, 'conv_id']:
            new_conv=True
        pearsonr_score = np.abs(pearsonr(row['pop_scores'], data.at[idx-1, 'pop_scores'])[0])
        cep_scores.append(pearsonr_score)

data['cep_score'] = cep_scores
data['cep_pop_score'] = data['cep_score'] * data['pop_bias']

ユーザーの意図に基づいた人気度を計算する

 data['target_pop_score'] = data['target_item_index'].map(pop_score_dict)
data['UIOP'] = np.abs(data['pop_bias'] - data['target_pop_score'])

引用

 @inproceedings{
    title={Improving Conversational Recommendation Systems via Bias Analysis and Language-Model-Enhanced Data Augmentation},
    author={Xi Wang, Hossein A. Rahmani, Jiqun Liu, Emine Yilmaz}
    booktitle={Proceedings of EMNLP 2023 (Findings)}
    year={2023}
}