本篇论文是关于由中国人民大学AI BOX团队推出的对话推荐系统的开源项目CRSLab的介绍。CRSLab是一个用于构建对话推荐系统(CRS)的开源工具包，可以实现一键复现、快速开发和自动评测的服务，共包含了六个数据集和18个模型，相关代码也已公开，项目和文件发布在https://github.com/RUCAIBox/CRSLab。
作者提出的开源的 CRS 工具包 CRSLab，是第一个用于构建对话推荐系统（CRS）的开源工具包，基于 PyTorch 实现、主要面向研究者使用，提供了一个统一的、可扩展的框架，具有高度解耦的模块来开发 CRS。
CRSLab的整体框架如下：
现有的CRS任务可统一为两个基本子任务和一个辅助子任务：推荐、对话和policy。其中所有的对话推荐系统都具有对话和推荐任务，它们是对话推荐系统的核心功能，而策略(policy)任务是一个辅助任务，其致力于更好的控制对话推荐系统，在不同的模型中的实现也可能不同
本文提出的模型共分为三层：
（1）Confuguration模块为用户提供了一个灵活的界面，可以方便地设置实验环境(如数据集、模型和超参数)。
（2）Data，Model和Evaluator模块中集成了多个现有的数据集，模型和评测方案，省去了用户自行复现的时间，建立于Confuguration模块之上。
（3）Utilities中集成了多个常用的功能函数，可以帮助用户快速从新搭建一个新的对话推荐系统。
1、Confuguration
方便用户选择或修改实验设置(如数据集、模型和超参数)。具体来说设计Config存储configuration设置，为给定实验的CRS和环境的每个组件指定模型及其超参数。
2、Data Modules
数据流：原始公共数据集—> 预处理数据集—>数 据集—>数据加载器 —>系统。
(Raw Public Dataset → Preprocessed Dataset → Dataset → DataLoader →System)
2.1 Data Preprocessing
我们组织对话上下文和边信息作为输入， 提取推荐项、对话动作和响应分别作为推荐、策略和对话站点 子任务的输出。
2.2 Dataset Class
2.3 DataLoader Class
3、Model Modules
3.1 Model Class
将重点放在为开发 提供基本结构和有 用的、高度解耦的 函数或过程上。具体来说，我们将各 种模型的基本属性和 功能(例如，参数初 始化和模型加载)统 一到类基模型中。
3.2 System Class
为了在高层次上支持CRS的灵活架构，我们设计了System模块作为一个连接点，将dataloader, model 和 evaluator 模块集成在一起，构建一个完整的CRS。系统模块主要是建立 完成CRS任务的模型， 将dataloader中的 张量数据分发到相应 的模型中，用合适的 优化策略对模型进行 训练，用指定的协议 进行评估。
4、Evaluation Modules
4.1 Automatic Evaluation Modules
对于会话子任务，CRSLab支持基于相关性和基于多样性的评估指标。基于相关度的指标包括Perplexity、BLEU和Embedding，分别从概率、ngram和word Embedding的角度度量ground-truth和generated responses之间的相似性。基于多样性的度量是不同的-{1,2,3,4}，测量生成的响应中不同的{1,2,3,4}-gram的数量。
4.2 Human-Machine Interaction Interface
具体来说，要进行端到端的评估，用户首先设置一个模拟用户的背景(如交互历史和用户简介)，然后通过界面与CRS自由交谈。在对话期间，对话历史记录和每个组件的输出(包括推荐的项和选择的策略)被存储为一个字典，这有助于用户很好地理解他们的系统是如何工作的。
为了更好地使用我们的CRSLab，我们设计了实用模块，其中包括辅助函数(例如，logger()和scheduler())。具体来说，我们实现了一系列有用的函数，以方便使用我们的工具包。
参考：
https://blog.csdn.net/qq_27590277/article/details/112301155
https://zhuanlan.zhihu.com/p/342186238