推荐系统具有自我意识吗？基于模型不确定性的无标签推荐性能估计
信息检索
2025-08-01 v1 机器学习
摘要
推荐模型能够具备自我意识吗？本文通过量化推荐模型的不确定性来研究其自我意识，这提供了一种对其性能的无标签估计。这种自我评估能够在推荐模型与任何用户交互之前，促成更充分的理解与决策。为此，我们提出了一种直观且有效的方法——基于概率的列表分布不确定性（probability-based List Distribution uncertainty, LiDu）。LiDu 根据单个物品的预测分布，确定推荐模型生成特定排序列表的概率，以此来度量不确定性。我们在两种设置下验证了 LiDu 表示模型自我意识的能力：（1）在合成数据集上使用矩阵分解模型；（2）在真实数据集上使用流行的推荐算法。实验结果表明，与一系列无标签性能估计器相比，LiDu 与推荐性能的相关性更高。此外，LiDu 为模型在训练和推理过程中的动态内部状态提供了有价值的见解。这项工作建立了推荐不确定性与性能之间的经验联系，将其构建为迈向更透明、自我评估的推荐系统的一步。
引用
@article{arxiv.2507.23208,
title = {Are Recommenders Self-Aware? Label-Free Recommendation Performance Estimation via Model Uncertainty},
author = {Jiayu Li and Ziyi Ye and Guohao Jian and Zhiqiang Guo and Weizhi Ma and Qingyao Ai and Min Zhang},
journal= {arXiv preprint arXiv:2507.23208},
year = {2025}
}