《计算机科学与技术 外文翻译 外文文献 英文文献 基于会话推荐的个性化系统.doc》由会员分享，可在线阅读，更多相关《计算机科学与技术 外文翻译 外文文献 英文文献 基于会话推荐的个性化系统.doc（23页珍藏版）》请在三一文库上搜索。
1、基于会话推荐的个性化系统摘要搜索并作出有关信息的决定变得如信息数量和选择数量的增加额一样越来越艰难，推荐系统能够帮助用户找到某一特定类型感兴趣的项目，如电影或餐馆。但使用仍有些艰难。我们的解决方案是利用个性化推荐系统和对话系统的互补优势创建个性化的助手。我们提出一个系统（the Adaptive Place Advisor）它对待项目选择就像一个交互的会话过程，提供程序查询关于项目的属性和用户响应。个别的，长期用户的偏好正在悄悄的获得课程的正常对话推荐，并且用于具有相同的用户直接对话的未来。我们提出一个新的用户模式，它影响着项目查询和会话中所提出的问题。 我们演示我们系统在显著减少时间和互动数
2、量的效果必须找出一个满意的项目，与系统不适应版本的用户的互动对照组相比。1.介绍和动机推荐系统帮助用户从大量的网页或其他电子信息来源找出和选择项目（如书籍，电影，餐厅）。它提供大量项目设定和对用户需求的描述，他们提供给用户少量与描述很适合的项目设定。目前推荐系统的工作包括智能助手过滤和选择网站、新闻故事、电视节目表和其他信息。这种系统的用户往往有不同的，相互冲突的需要。个人偏好，社会和教育背景，私人或专业兴趣的不同很普遍。因此，用适合每一个人使用的方式对个性化智能系统进行处理、过滤和显示可利用信息时可取的。对于个性化的需求已导致系统通过在基于用户特点与他们相互作用的基础上改变自己的行为以适应发
3、展。 计算机与用户用自然语言交谈的的能力可以说是提高其效用和灵活性进一步发展。对实际对话系统的研究，虽然仍处于初期阶段，近年来正日趋成熟。今天的对话系统通常集中于帮助用户完成特殊任务，如规划，信息搜索，事件管理，或诊断。在本文中，我们描述了一个个性化推荐系统设计以帮助用户从大量设定中选择一个全部相同的基本类型的项目。我们的目标是随着时间的推移支持谈话变的对更多的个人用户更有效。我们的系统，the Adaptive Place Advisor，旨在帮助用户选择一个目标（在此情况下，餐厅），以符合他们的喜好。The Adaptive Place Advisor提出了三个新的贡献。据我们所知，这是第
4、一个个性化的口语对话系统的建议，只有对话自然语言界面，包括个性化，长期用户模型。第二，它采用了一种新的模式获取，利用和用户代表模型。第三，它是用来显示出系统中用户交互人数的减少和在会话时间需要找出合适的项目。对话系统的结合带来了个性化推荐的两种方法的地址弱点。大多数对话系统的反应在每个用户与它们交互的时候是相似的，并且不存储在一次谈话中获得的信息在将来使用。因此，互动往往是乏味和重复的。通过增加个性化，长期用户模型，这些互动的质量可以大幅度改善。同时，在推荐系统中收集用户偏好往往需要不断填补或另外的在用户部分加以偏好的明确声明，这将很难并且费时。收集在对话过程中的喜好让用户立即开始搜索项目任务
5、。交谈之间的互动和个性化的推荐，也影响我们选择的获取，使用和用户模型的代表性。The Adaptive Place Advisor悄悄地获取用户信息，旨在找到一个满意项目的谈话过程中学习有关用户的信息。该系统存储这个信息用来在将来在与同一个人谈话中使用。收购和利用不仅发生在项目提供和被用户选择的时候，而且贯穿于项目搜索中。最后，该系统的模型代表将项目偏好归属于包含对项目的特点和特殊的偏好价值观的这些特点。我们相信，这些思想将扩大到其他类型的偏好和其他类型的对话。 在本文中，我们描述我们用The Adaptive Place Advisor工作。我们开始通过引进个性化推荐系统和对话，沿途提出设计
6、决策。在第三节，我们详细描述了系统，在第四节我们提出我们的实验评价。在第五节和第六节我们讨论相关和未来的工作，在第七节women总结和概括文件。2个性化会话推荐系统我们的研究目标是双重的。首先，我们要在推荐系统中提高相互作用的质量的同时通过用户适应和会话返回有效结果。第二，我们希望通过这一手段改善系统性能的对话个性化。因此，我们对用户建模的目标不同于在绘画系统中的那些一般假定，正如提高准确性或类似精度相关措施和回忆。我们的目标也不同于那些在对话系统的用户建模的之前的工作，我们现在强调对话跟踪用户的目标的进展的能力，但不会维持多个会话模式。我们假设的是在效率和效力上的发展能通过不显眼的通用的用户
7、模式实现帮助指导会话的系统搜索推荐的项目。我们的方法假设要选择一个项目的大型数据库，相当大量数据的属性需要描述它们的项目。当数据库很小或是项目描述简单的时候简单的技术就可能足够了。2.1个性化个性化的用户适应系统从用户互动中用户的偏好，保持这些偏好的概要在一个用户模型，并利用这个模型生成自定义的信息或行为。这个定制的目的是提高质量和与每个用户交互和结果相称。用个性化系统存储用户模型能代表用户或个人，也可以手工制作或学习（例如，从调查问卷，收视率，或使用痕迹），它们可以包含有关行为的信息，例如如以前选定的项目，有关项目的偏好特征（如位置或价格），或用户本身特性（如年龄或职业）。此外，一些系统存储
8、用户模型只为一个用户交互为期，而其他长期储存。我们的做法是学习概率，长期来看，个人用户模型包含有关的项目和项目特点，偏好。我们之所以选择学习模式是因为为每个新域名设计合理的初始模型的难度。我们选择概率模型，是因为它们的灵活性：一个用户陈列变量的行为和他们的偏好是相对的，而不是绝对的。长期模型对允许多人会话很重要。此外，正如已经注意到的，不同的用户有不同的偏好，所以我们选择个体模式。最后，有关项目和项目特点的偏好对会话和取回的影响是有必要的。一旦作出决定去学习模型，另一个设计决策与一个系统为对学习算法的并发输入的偏好收集是相关的。这里我们可以区分两种方法。直接反馈法通过对用户直接征求偏好信息。例
9、如，一个系统可能会要求用户填写一份表格，要求她进行分类或使她的兴趣使用一类或项目的不同特点。最近的一项研究表明强制用户提供他们选择的项目评级（正如电影）而不是那些系统的选择，无论如何，用户可能会因为在他们享受特定服务前需要完成大量问卷而恼怒，并且这项研究并不是在一个系统内的对话，而是涉及一个更简单的互动。另外，直接反馈的形式鼓励用户提供反馈意见，因为她持续使用特定的服务。第二种方法来获取用户模型，并在所采取的The Adaptive Place Advisor，是通过检查正常上网行为推断出用户的偏好。不引人注目的偏好集合是有利的，正如它需要更少的用户影响，此外，用户往往不能清楚地表达自己的喜好
10、，直到他们了解更多的领域。不明显方法一个可能的缺点是用户可能在他们交互变化的时候不相信或不理解该系统行为。这应该让用户查看和修改用户模型的地址。系统通常采取两种办法之一确定偏好。内容基于方法推荐与用户过去喜欢的的类似的项目。与此相反，协作方法选择和推荐与当前用户在之前交互中喜欢的项目。因为合作过滤对其他用户选择的基础上提出建议，但与新的或单隔离项目或用户罕见偏好不适合，基于内容的方法在另一方面，推荐使用项目建议本身，因此不容易出现这些问题。然而，基于内容的技术往往喜欢用户之前首选的属性值，虽然他们允许新组合值。我们觉得基于内容的方法是利大于弊；我们讨论克服这些缺点的方法并在第6.3节结合这两种
11、技术方法。最后，个性化是关于如何可以利用一个用户形象去搜索，鉴定，并以正确的方式在正确的时间给正确的用户提交相关资料。用户模型已经在推荐系统中用来内容运转和选择（信息过滤）。导航支持在网络浏览器，及方式和介绍和互动式的选择。The Adaptive Place Advisor适应其信息过滤和互动行为，因为这些是最与应用程序相关和大多数的交互都是通过自然语言。2.2会话推荐推荐系统的目标是帮助用户找出感兴趣的项目，因此他们必须在考虑中消除一些选择同时保持其他一部分。为了实现这一目标，他们必须知道或确定当前用户的利益，目前的项目满足这些利益。在推荐系统中其中一个获取信息最广泛使用的方法是用户输入的
12、一个简单的表单（通常是一个单一的查询框）与此同时，正常的陈述资源组织形式是排名清单办法。在这个计划中，系统介绍了一长串的结果根据他们与用户相关的预测排序。通过来自信息检索的表单和陈述列表获取的信息技术相结合的形式。它被用来帮助在库中找到文档或报告。排名列表法这种基本方法更普遍，但是它被很多不同选择任务有规律的使用成为万维网更简单搜索引擎的基础。相反，the Adaptive Place Advisor支持交互会话模式，在这一办法中，对话参与者，我们称之为询问者，问第二个参与者，我们称之为顾问，协助选择一个项目。例如，如果询问者是决定在其中一家餐馆吃饭，谈话可按如下步骤进行：1。询问者：你认为我
13、今晚应该吃什么？2。顾问：你喜欢什么样的食品种类？3。询问者：有什么类型的呢？4。顾问：你可以说像中国，印度，和地中海的东西。5。询问者：哦，也许印度的比较便宜。6。顾问：您希望什么样的停车场？7。询问者：我不在乎，只要它在Palo Alto。8。顾问：对不起，我不知道像那样的的餐厅，你要看看价钱吗？9。询问者：不，我认为我喜欢中国的。10。顾问：Mandarin Gourmet on 420 Ramona怎么样？11。询问者：不，你有其他的么？12。顾问：Jing-Jing Szechwan Hunan Gourmet on 443 Emerson Street怎么样？13。询问者：当然，这
14、听起来很好。我们将参照系统，模仿这种方法作为对话的建议方法推荐系统。交互支持的会话推荐系统和排名表单法很不一样，最重要的区别是，交互采取一种序列形式问题，大部分是为了从考虑中消除某些项目。回答这些问题在表单中给出关键词起着类似的角色，目的是消除选择而不是在列表中排名结果。这一对话进程也昂住询问者更好地理解他们的愿望，因为考虑可能问题和回答将用关键字输入这种方法突出目标，此外，会话可以用让用户在每一个对话中控制项目和属性选择从而支持用户可变性。最后，直到至多一部分选择保持询问者将完全了解项目。这避免了提供项目的长列表，并且让用户用迭代缩小选择，管理时尚。这样的对话看起来用谈话交互而非视觉对推荐更
15、好，例如，那些忙碌的询问者正在驾驶。他们看起来独立模式是理想的，因为任务像目标选择或者是服务台支持，用户需要汇聚最多的一部分项目。在另一方面，关键字键入和排序表方法在用户喜欢一次提供所有要求的情况下，在信息情况下可以提供视觉，在用户想去研究许多选项的情况下看起来更合适。通过取消选择，会话推荐系统最后指导他们的用户到一种合适的解决方式，然而，像这样的对话感觉厌烦，并且第一个结果返回的质量也可能不被每一个用户认可，正如与一个了解你的忧虑的朋友交流比与陌生者交流将更容易指导和得到更好的结果，与对话顾问对话随着时间迁移应该更有效，我们对用户建模的目标包括主观质量的提升和结果和会话的效益导致这些结果。例
16、如，在以上几次与询问者交流后，接着一个新的互动将产生，关于停放的问题已经解决并且项目介绍秩序已经改变。1。询问者：你认为我今晚应该吃什么？2。顾问：你喜欢什么类型的食物？3。询问者：哦，也许是中国菜。4。顾问：你更喜欢哪个城市？5。询问者：你在Palo Alto有事吗？6。顾问：Jing-Jing Szechuan Gourmet on 443 Emerson怎么样啊？7。询问者：当然，这听起来不错。我们接下来的设计选择是关于这些谈话的管理。2.3通过对话管理会话对话系统用自然语言实现与用户会话，不论口头或打字。对话系统所要执行的主要任务是语言解释、语言生成和对话管理。自然语言的解释和生成以自
17、己为主题这里我们不做讨论；从两个文案介绍上我们可以看到Allen (1995) 、 Jurafsky和 Martin (2000)。为了能集中在用户模式上，我们的系统允许中度复杂的用户用语，但是有一个预编码的系统话语集，在接下来的3.3节讨论。最简单的对话管理基于有限状态自动机依靠一个用户提供的响应使得状态与问题相符合并且思想与行动相符。这些系统支持固定的或系统主动会话，只有一位参与者控制行为，无论是系统帮助用户还是用户提问系统相关问题。下一步的复杂性是基于框架或模板系统，可以以任何秩序提问或回答问题。下一步，真正的混合倡议系统允许对话的参与促进互动，就像他们的知识许可证。因此，会话焦点因为用
18、户（或系统）倡议改变可以在任何时间改变。最后，一些不同的支持复杂对话的方法包括基于计划系统和系统使用合理的互动模式。为了在保持系统简单设计的情况下允许比较复杂的对话，我们选择一个基于框架的方法去进行对话管理。因此，the Adaptive Place Advisor比全系统倡议范式允许更多的灵活性的会话。为了让比较复杂的对话，同时保持系统设计简单，公司可以填写其他超过或补充系统所建议的属性。然而，他们不能强制系统过渡到新的子任务，系统不能与用户协商去决定参与者应该主动。2.4互动约束满意度搜索约束满意度问题为确定在人工智能的许多领域关心的问题提供了一个总体框架，例如，日程安排和满意度。在他们最
19、普遍的形式中，约束满意度问题涉及一组离散变量，连同一套约束，定义在一些变量的子集和限制采取这些变量限制值的组合。Cucchiara, Lamma, Mello, and Milano定义的互动约束满意度问题对标准的制定涉及三个扩展。首先，它们包括约束收购阶段用户可以对讲得到解决的问题增加新的限制。其次，一个变量的域可以包括已定义的和没定义的部分，在强制收购阶段用户可以添加新的值给已定义部分。最后，他们允许基于域和约束更新的增量更新。这一框架可以由the Adaptive Place Advisor管理涵盖了会话的部分项目搜索；它不包括项目介绍部分。在我们的设置中，约束只是属性值规格，就像cui
20、sine = Chinese。地方顾问的搜索不想框架那么简单，在这一点上它没有纳入不确定的部分领域的概念。然而，在会话中它通过用户规格获得约束和回应增量的更新解决方案。图1：the Adaptive Place Advisor的组件和其互动。#3. The Adaptive Place Advisor 在本节中，我们首先提出The Adaptive Place Advisor函数的综述，然后接下来是组成部分的详述。系统执行多项任务支持用户间的个性化交流；特别是它：利用用户模型去初始化一个概率项目说明正如一个扩充的问题，生成上下文相关的意见，了解用户的反应，从用户会话中用详尽的需求琢磨扩充的问题
21、，从数据库中检索与项目匹配的详尽的明确的问题部分，推测从问题中检索项目的相似性，在会话期间当高度相似项目的数目不令人满意的情况下选择下一个属性进行约束或者释放在项目的数量可以接受时提出了合适的项目，在这些相互作用基础上获取和更新用户模型。这些任务的责任是在系统的不同模块中分配的，就像在图一种显示的。对话管理者产生、解释和处理会话；它也在每个用户交互之后更新扩充的问题。该搜索引擎是基于盒子论证系统用扩充的问题从数据库中检索项目并对用户偏好进行估量。用户模型系统在会话历史的基础上初始问题和更新长期用户模型。语音识别和语音发生器处理用户的输入和控制系统输出。为了找到项目推荐给用户，the Place
22、 Advisor执行一个加强的交互式约束满意度搜索。整个会话的目标是去提出一个用户满意的项目。在约束满意部分中，系统进行一个会话去找到一个那种项目小的设置。在查找阶段，两种情况决定系统的查找记号和问题。首先，根据约束规格意味着许多项目匹配约束，并且系统必须从用户那获得更多信息。其次，如果没有匹配的项目，因此系统必须释放约束，允许项目包含任何类型值释放属性。系统结束查找阶段当只有小数额项目与约束相匹配并且与用户偏好高度相似。项目介绍在这时候开始，相似点计量用来实现项目满足约束。查找和项目介绍也受用户模型系统的影响并因此实现个性化。个性化的主要结构是通过扩充的问题，一个用户偏好的概率代表有长期的和
23、短期的。我们只要想问题一样参照它，但它经常参照约束有用户明确的和含蓄的指定，因此，问题是扩充的。在用户模型中超过明确约束的用含蓄的约束。在这种情况下，初始问题表现出约束系统向用户想要约束的。系统在与用户交流的情况下提炼问题，明确设置，稳固的会话如用户查证或驳斥它的设想。经过长期，在会话中用户模型系统在用户回应的属性和项目提供基础上更新用户模型。搜索引擎为项目查找数据库中与队列中明确约束相匹配的项目，接着推断返回的项目与在队列的扩充部分反映出来的相似点。依靠高度相似结果的数目，搜索引擎也决定哪些属性应该约束或释放。总之，系统以一种方式引导会话与基于框架的系统相似，用基于盒子论证范例检索和区分项目
24、，在过去的与用户会话基础上适应相似计算的质量，因此，个性化未来恢复和会话。在本节中，我们提出the AdaptivePlace Advisor电脑架构的详述。在描述用户模型后，我们详细说明检索引擎和对话管理者。最后，我们讨论系统如何在与用户交流时更新用户模型。3.1用户模型我们在个性化会话上的焦点建议用户偏好的有条理模型强调一个用户更喜欢回答和他想给的回应，除了整个项目的偏好。我们现在更详细的讨论模型。在接下来的章节中我们将描述该模型怎样影响项目分级和问题顺序，接下来决定系统结束提问题和开始提出项目有多快。一般的，一个用户会趋向于：回答关于属性的问题比其他更频繁，提供一些属性值比其他更频繁，选
25、择一些项目比其他更频繁，提供确定的属性值组比他们设想独立分配的更频繁，同意无论大或小数量值和项目的多样性。现在，the Adaptive Place Advisor塑造出用户可能有的属性、值和项目这些偏好，但不是结合和偏好多样性。从前容易被不管是分配可能性还是计数捕获，正如在表1中阐明的。The Place Advisor维持分配可能性来表现出属性偏好并且独立的分配可能性来表现为每个属性的设定值的偏好。对于属性偏好，系统利用类型分类知识去初始化weight；例如，代价经常比移动考虑的更重要。在缺乏这些信息的时候，就如价值偏好的情况，系统以统一的分发开始。系统表现项目偏好就如一个项目被承认的次数
26、与它被提出的次数的比率；这被最初认为所有的项目已经被提出并且认可一个大的次数的百分率。当这可能导致更新去保持小的影响并且不受欢迎的项目被提议不止一次，在早期学习的过程中这导致不快速选择打折扣的影响。这接下来鼓励用户去探究二选一，允许系统获悉更多额外的项目。总之，项目偏好在它被提出时表现出用户认可一个独有的项目概率，而不是在所有项目中表现概率分布。3.2检索引擎利用数据库恢复项目一旦发生，用户模型通过搜索引擎影响系统行为，如果有的话，满足当前商定的约束。该模占用时也利用队列来决定那些项目与用户偏好的相似度和决定约束和释放属性的最佳排序。与用户模型的交互类型支持快速缩小搜寻满意项目的范围的目标。一
27、个人类顾问基于假设关于他们之前交互的方式类似，我们系统用其积累的经验，反映在用户模型中，就如作为其计算基础。该搜索引擎在扩充队列中表现出用户偏好和需求，一个局部的概率的项目规格由会话和用户模型决定。队列由用户模型初始化，因此随着用户的项目偏好包含了基于偏好的概率为了用户还没有明确指定的属性和值。在会话过程中，系统通过更新队列表现用户指定的值。对 于每个属性，它为每一个满足会话的值设置为1，其他所有的可能置为0.例如，如果用户说中文和意大利文，系统为中文和意大利文设置可能值为1，其他设为0.这是与一个可能队列相当的，都是为了所有值的组合由用户确定。搜索引擎的第一个主要方面是将项目排列技术个性化。
28、不同于典型的基于事件的类似计量那样返回超过那些与队列完全符合的项目，系统利用计量约束那些最令用户满意的返回项目。根据用户明确指定的特点系统过滤那些被包含在当前事件基础的项目并且将剩下的项目按照他们与用户以前喜欢项目的相似性分类。A Personalized System for Conversational RecommendationsCynthia A. Thompson cindics.utah.eduSchool of ComputingUniversity of Utah50 Central Campus Drive, Rm. 3190Salt Lake City, UT 84112
29、 USAMehmet H. Goker Kaidara Software Inc.330 Distel Circle, Suite 150Los Altos, CA 94022 USAPat Langley langleyisle.orgInstitute for the Study of Learning and Expertise2164 Staunton CourtPalo Alto, CA 94306 USAAbstractSearching for and making decisions about information is becoming increasingly diff
30、icult as the amount of information and number of choices increases. Recommendation systems help users find items of interest of a particular type, such as movies or restaurants, but are still somewhat awkward to use. Our solution is to take advantage of the complementary strengths of personalized re
31、commendation systems and dialogue systems, creating personalized aides. We present a system the Adaptive Place Advisor that treats item selection as an interactive, conversational process, with the program inquiring about item attributes and the user responding. Individual, long-term user preference
32、s are unobtrusively obtained in the course of normal recommendation dialogues and used to direct future conversations with the same user. We present a novel user model that influences both item search and the questions asked during a conversation. We demonstrate the efiectiveness of our system in si
33、gnificantly reducing the time and number of interactions required to find a satisfactory item, as compared to a control group of users interacting with a non-adaptive version of the system. 1. Introduction and MotivationRecommendation systems help users find and select items (e.g., books, movies, re
34、staurants) from the huge number available on the web or in other electronic information sources (Burke, 1999; Resnick & Varian, 1997; Burke, Hammond, & Young, 1996). Given a large set of items and a description of the users needs, they present to the user a small set of the items that are well suite
35、d to the description. Recent work in recommendation systems includes intelligent aides for filtering and choosing web sites (Eliassi-Rad & Shavlik, 2001), news stories (Ardissono, Goy, Console, & Torre, 2001), TV listings (Cotter & Smyth, 2000), and other information. The users of such systems often
36、 have diverse, conflicting needs. Diffierences in personal preferences, social and educational backgrounds, and private or professional interests are pervasive. As a result, it seems desirable to have personalized intelligent systems that process, filter, and display available information in a manne
37、r that suits each individual using them. The need for personalization has led to the development of systems that adapt themselves by changing their behavior based on the inferred characteristics of the user interacting with them (Ardissono & Goy, 2000; Ferrario, Waters, & Smyth, 2000; Fiechter & Rog
38、ers, 2000; Langley, 1999; Rich, 1979). The ability of computers to converse with users in natural language would arguably increase their usefulness and flexibility even further. Research in practical dialogue systems, while still in its infancy, has matured tremendously in recent years (Allen, Byron
39、, Dzikovska, Ferguson, Galescu, & Stent, 2001; Dybkjfir, Hasida, & Traum, 2000; Maier, Mast, & Luperfoy, 1996). Todays dialogue systems typically focus on helping users complete a specific task, such as planning, information search, event management, or diagnosis. In this paper, we describe a person
40、alized conversational recommendation system designed to help users choose an item from a large set all of the same basic type. Our goal is to support conversations that become more efficient for individual users over time. Our system, the Adaptive Place Advisor, aims to help users select a destinati
41、on (in this case, restaurants) that meets their preferences. The Adaptive Place Advisor makes three novel contributions. To our knowledge, this is the first personalized spoken dialogue system for recommendation, and one of the only conversational natural language interfaces that includes a personal
42、ized, long-term user model. Second, it introduces a novel model for acquiring, utilizing, and representing user models. Third, it is used to demonstrate a reduction in the number of system-user interactions and the conversation time needed to find a satisfactory item. The combination of dialogue sys
43、tems with personalized recommendation addresses weaknesses of both approaches. Most dialogue systems react similarly for each user interacting with them, and do not store information gained in one conversation for use in the future. Thus, interactions tend to be tedious and repetitive. By adding a p
44、ersonalized, long-term user model, the quality of these interactions can improve drastically. At the same time, collecting user preferences in recommendation systems often requires form filling or other explicit statements of preferences on the users part, which can be dificult and time consuming. C
45、ollecting preferences in the course of the dialogue lets the user begin the task of item search immediately. The interaction between conversation and personalized recommendation has also affected our choices for the acquisition, utilization, and representation of user models. The Adaptive Place Advi
46、sor learns information about users unobtrusively, in the course of a normal conversation whose purpose is to find a satisfactory item. The system stores this information for use in future conversations with the same individual. Both acquisition and utilization occur not only when items are presented
47、 to and chosen by the user, but also during the search for those items. Finally, the systems representation of models goes beyond item preferences to include preferences about both item characteristics and particular values of those characteristics. We believe that these ideas extend to other types
48、of preferences and other types of conversations. In this paper, we describe our work with the Adaptive Place Advisor. We begin by introducing personalized and conversational recommendation systems, presenting our design decisions along the way. In Section 3 we describe the system in detail, while in Section 4 we present our experimental evaluation. In Sections 5 and 6 we discuss related and future work, respectively, and in Section 7 we conclude and summarize the paper. 2. Personalized Conversational Recommendation Syste