增强推荐系统的长期性能

推荐系统是在线商业系统中的关键工具，为用户提供个性化的物品推荐。迄今为止，已有大量推荐算法致力于在单步推荐中进一步提升推荐性能，而长期推荐性能却被忽视。在本文中，我们提出一种称为推荐列表调整（ARL）的方法来增强长期推荐准确度。为观察长期准确度，我们开发了网络演化模型来模拟推荐系统与用户行为之间的交互。结果表明，不仅长期推荐准确度可显著提升，且在线系统中物品的多样性保持健康。值得注意的是，ARL 在长期推荐中存在最优参数 n*，表明在保持物品多样性与用户偏好之间存在权衡以最大化长期推荐准确度。最后，我们确认最优参数 n* 在演化网络中稳定，揭示了 ARL 方法的鲁棒性。