需求探索：从算法控制到用户赋权.pdfVIP

需求探索：从算法控制到用户赋权

EdoardoBianchi

FacultyofEngineering,FreeUniversityofBozen-Bolzano,Bozen-Bolzano,39100,Italy

Abstract

推荐系统经常受到过度专业化的影响，这严重限制了用户接触多样化内容的机会，并创建过滤泡沫，减少了偶然发现的可能

性。为了解决这一根本性限制，本文介绍了一个具有用户控制探索功能的自适应聚类框架，该框架有效地平衡了电影推荐中

的个性化和多样性。我们的方法利用句子转换器嵌入通过带有动态阈值的在线算法将项目分组到语义连贯的集群中，从而创

建内容空间的结构化表示。在此聚类基础上，我们提出了一种新颖的探索机制，使用户能够通过战略性地从参与较少的集群

中采样来控制推荐多样性，从而在保持相关性的同时扩展他们的内容视野。在MovieLens数据集上的实验表明了该系统的有

效性，显示探索显著降低了列表内的相似度从0.34到0.26，同时将意外程度增加到了0.73。此外，我们基于大型语言模型的

A/B测试方法，与300个模拟用户进行测试后发现，长期用户的72.7%更喜欢探索性推荐而非纯粹利用性的推荐，这为系统在

不牺牲用户体验的情况下促进有意义内容发现的能力提供了强有力的证据。

Keywords

推荐系统,自适应聚类,基于LLM的评估

本1.介绍

译推荐系统已成为数字内容平台的重要组成部分，帮助用户在庞大的电影、音乐、书籍和其他媒体目

中录中进行导航。然而，传统的推荐方法在平衡个性化与多样性方面面临持续的挑战，常常导致过度

专业化，限制了用户接触新内容的机会，并创造了“过滤泡沫”，这强化了现有的偏好，而不是扩展

1用户的视野。

v协同过滤方法虽然能够有效利用集体用户行为，但高度依赖历史交互数据，因此对于新用户无

4

8效且容易出现流行偏差。基于内容的方法往往过分强调相似度指标，导致推荐结果重复而缺乏有意

8义的多样性。这两种方法都难以解决探索与开发之间的权衡问题：如何在熟悉的相关内容和可能扩

1展用户兴趣的新发现之间取得平衡。

2.过度专业化问题在动态内容环境中尤为突出，这些环境中新项目不断添加且用户偏好持续演

7变。传统推荐系统通过精确度指标（如精度和召回率）优化即时用户满意度，这本质上倾向于匹配

0过去行为的推荐。虽然这种优化策略提高了短期参与度，但也可能导致推荐单调并降低长期用户满

5

2意度。

:本文通过一个结合语义聚类与用户控制探索的自适应推荐框架来解决这些基本限制。我们的方

v

i法利用句子转换器嵌入和在线聚类算法对内容进行组织，该算法能够适应内容分布的变化并保持语

x义连贯性。关键创新点在于一种允许用户动态控制其推荐中的多样性-相关性权衡的探索机制，从而

r

a实现个性化的发现体验。

为了评估系统的效果超越传统的准确性指标，我们采用了一种新颖的大型语言模型（LLM）为

基础的用户模拟方法，该方法能够实现推荐策略的大规模A/B测试。这一方法论解决了现有评价框

架的一个关键局限性，即主要衡量推荐与过去交互匹配的程度，却未能捕捉到内容发现和偏好扩展

的价值。

本工作提出了以下关键贡献：

•自适应在线聚类算法，使用语义嵌入并通过动态相似度阈值对项目进行分组；

•一种由用户控制的探索机制，通过采样未充分探索的聚类来增强多样性，同时保持个性化；

•一个可扩展的基于大语言模型的用户模拟框架，用于超越准确度指标的A/B测试推荐策略；

•实验验证显示，在保持用户满意度的同时提高了多样性和意外性，尤其是在长期用户中。