我们在下一购物篮推荐中真的实现了更好的超准确度性能吗？

下一购物篮推荐（NBR）是一种特殊的序列推荐，正日益受到关注。到目前为止，大多数NBR研究都集中在优化推荐的准确度上，而优化超准确度指标（例如，物品公平性和多样性）在很大程度上仍未被探索。最近关于NBR的研究发现，推荐重复物品和探索物品之间存在显著的性能差异。与探索物品相比，重复物品贡献了用户感知到的大部分准确度。受这些发现的启发，我们确定了一种在保持高准确度的同时优化超准确度指标的潜在“捷径”。为了利用并验证此类捷径的存在，我们提出了一种即插即用的两步重复-探索（TREx）框架，该框架将重复物品和探索物品分开处理，其中我们设计了一个简单但高效的重复模块以确保高准确度，而两个探索模块则仅以优化超准确度指标为目标。我们在两个广泛使用的数据集上针对一系列超准确度指标（即五个公平性指标和三个多样性指标）进行了实验。我们的实验结果验证了TREx的有效性。乍一看，这似乎是个好消息：我们可以同时实现高准确度和改善的超准确度指标。然而，我们认为我们的算法解决方案TREx的现实世界价值可能有限，并反思了评估设置的合理性。我们最终挑战了现有的评估范式，特别是在超准确度指标的背景下，并为研究人员提供了见解，以帮助他们规避潜在陷阱并确定在优化准确度和超准确度指标时应考虑的合理指标。