主动批评：偏好与特征的引出

在面对复杂选择时，用户会在浏览选项目录的过程中不断细化自身的偏好标准。本文提出了一种适用于该场景的偏好引出方法。我们将逐步收集操作性反馈的 Coactive Learning 扩展为可选择性地查询示例批评。通过动态扩展特征空间，用户批评被整合到学习模型中。我们的公式化表达原生支持即时生成选项目录的构造性学习任务。我们给出了学习者所承受的平均遗憾的上界。实证分析突显了本方法的潜力。