计算机应用

作者：姜皓骞, 张东, 李冠宇, 陈恒

单位：1.大连海事大学 信息科学技术学院，辽宁 大连 116026；2.大连外国语大学 软件学院，辽宁 大连 116044

关键词：对话推荐系统,提示工程,预训练语言模型,图神经网络,深度学习

基金：国家自然科学基金资助项目(61976032);2024年辽宁省自然科学基金资助项目（面上项目）(2024-MS-174)

近年来，许多对话推荐系统的研究采用预训练语言模型作为统一框架，旨在解决传统多模块架构中模块间协同不当的问题；然而，这些方法难以发挥任务之间的协同作用，且无法有效捕获输入中潜在的结构化信息，这些问题很大程度上削弱了对话推荐系统在实际应用场景中的表现。因此，提出一种基于结构增强的层次化任务导向提示策略的对话推荐系统SetaCRS。SetaCRS利用异质图注意力神经网络建模用户系统历史对话中的序列共现信息。此外，构造层次化的全局任务描述和特定子任务描述，从而帮助模型捕获并利用当前子任务和总任务序列之间的联系。在DuRecDial与TG-ReDial这2个公开数据集上的实验结果表明，相较于UniMIND（Unified MultI-goal conversational recommeNDer system），SetaCRS在语义F1上分别提升了8.53%和1.55%，并在平均倒数排名（MRR）@10上分别提升了3.02%和9.54%。可见，SetaCRS能够利用所捕捉的任务关联性与对话结构信息来有效提升推荐准确性和回复质量。

来源：2026年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第2期