Towards adaptive personalization in conversational search

Abstract

Les systèmes de recherche d’information conversationnelle personnalisée (Personalized Conversational Search, CIR) visent à satisfaire les besoins d’information complexes des utilisateurs au travers d’interactions multi-tours en tenant compte de leurs profils. Cependant, toutes les requêtes ne nécessitent pas de personnalisation. Le défi consiste à intégrer de manière appropriée des éléments de personnalisation dans la recherche seulement lorsque cela est nécessaire. La plupart des travaux existants intègrent de façon implicite les informations personnelles des utilisateurs et le contexte conversationnel en utilisant de grands modèles de langage, sans distinguer les besoins spécifiques à chaque tour de requête. Une telle stratégie de personnalisation universelle peut conduire à des résultats sous-optimaux. Dans ce mémoire, nous proposons une méthode de personnalisation adaptative, dans laquelle nous identifions d’abord le niveau de personnalisation requis pour une requête et intégrons des requêtes personnalisées avec d’autres reformulations afin de produire diverses requêtes enrichies. Nous concevons ensuite une approche de fusion de résultats ordonnés tenant compte de la personnalisation, permettant d’attribuer dynamiquement des poids de fusion aux différentes requêtes reformulées, en fonction du niveau de personnalisation requis. La méthode proposée, appelé Adaptive Personalized Conversational Information Retrieval (APCIR), est évaluée sur deux jeux de données provenant de TREC IKAT. Les résultats confirment l’efficacité de la personnalisation adaptative d’APCIR en surpassant les méthodes de l’état de l’art. Personalized conversational information retrieval (CIR) systems aim to satisfy users’ complex information needs through multi-turn interactions by considering user profiles. However, not all search queries require personalization. The challenge lies in appropriately incorporating personalization elements into search when needed. Most existing studies implicitly incorporate users’ personal information and conversational context using large language models without distinguishing the specific requirements for each query turn. Such a “one-size-fitsall” personalization strategy might lead to sub-optimal results. In this thesis, we propose an adaptive personalization method, in which we first identify the required personalization level for a query and integrate personalized queries with other query reformulations to produce various enhanced queries. Then, we design a personalization-aware ranking fusion approach to assign fusion weights dynamically to different reformulated queries, depending on the required personalization level. The proposed adaptive personalized conversational information retrieval framework APCIR is evaluated on two TREC IKAT datasets. The results confirm the effectiveness of adaptive personalization of APCIR by outperforming state-of-the-art methods.