阅读了论文《Dual-space Hierarchical Learning for Goal-guided Conversational Recommendation》，提出了在表示空间和优化空间中分别利用层级目标序列进行学习，在表示空间中，提出了层级表示学习，通过跨注意力模块来学习多层次目标的相互强化表示，在优化空间中，引入了层级权重学习，通过加权低层目标序列来实现更好的目标预测；通过软标签策略引导对话逐步过渡到最终的推荐目标。随着对话的进行，逐渐增加目标的权重

阅读了一下论文《HPT: Hierarchy-aware Prompt Tuning for Hierarchical Text Classification》，他的主要任务是进行文本标签分类，比如一句话给他打上对应的标签，可是如果是针对于多轮对话推荐这个数据集，按照轮次来自定义需求的话，比如说第一层是根节点，第二层是goal标签，第三层是topic标签，然后goal和topic是轮次关系，这个通过在数据集中遍历就可以得到。也有可能是二次处理用到这个模型，比如按照goal和topic的轮次关系处理完，可能还有剩余的topic，可以通过这个模型处理一下；还存在一个问题就是这个是树型的，可能会存在同一实体属于不同goal的问题，而且这个问题很常见，按照树的逻辑一个节点只能有一个根节点，而且是分类问题，这样的话就不能用这个模型