聚合偏好反馈下的流失感知推荐规划
人工智能
2025-07-08 v1
摘要
我们研究了一个序贯决策问题，该问题源于近期限制推荐系统（RS）中个体用户数据访问的监管和技术变革，仅留下群体层面的偏好信息。这种隐私感知环境给不确定性下的规划带来了根本性挑战：有效的个性化需要探索以推断用户偏好，但不令人满意的推荐会立即导致用户流失。为了解决这个问题，我们引入了Rec-APC模型，其中匿名用户是从已知的潜在用户类型（例如，角色或聚类）先验中抽取的，决策者顺序选择要推荐的项目。反馈是二元的——正面响应通过贝叶斯更新细化后验，而负面响应则导致会话终止。我们证明了最优策略在有限时间内收敛到纯利用，并提出了一种分支定界算法来高效计算它们。在合成数据和MovieLens数据上的实验证实了快速收敛，并表明我们的方法优于POMDP求解器SARSOP，特别是在用户类型数量较大或与内容类别数量相当时。我们的结果突出了这种方法的适用性，并激发了在聚合偏好数据约束下改进决策的新方法。
引用
@article{arxiv.2507.04513,
title = {Churn-Aware Recommendation Planning under Aggregated Preference Feedback},
author = {Gur Keinan and Omer Ben-Porat},
journal= {arXiv preprint arXiv:2507.04513},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2502.18483