熵引导的代理化推荐系统中的多样化与偏好 elicitation

电商平台上的用户在搜索初期可能对自己的偏好感到不确定。对推荐系统的查询常常是模糊的、不完整的，或指定得较弱。代理化系统需要主动推理、询问澄清问题，并代表用户行动，这使得处理此类模糊性问题变得越来越重要。在现有平台上，模糊性导致交互次数过多或提出问题时产生疲劳，或者在推荐过于自信时过早收紧搜索空间。我们提出了一种交互式决策支持系统（IDSS），通过熵作为统一信号来处理模糊的用户查询。IDSS maintains a dynamically filtered candidate product set and quantifies uncertainty over item attributes using entropy. This uncertainty guides adaptive preference elicitation by selecting follow-up questions that maximize expected information gain. 当偏好仍不完整时，IDSS 显式地将剩余不确定性纳入下游推荐，通过不确定性感知的排序和熵基准的多样化，而不是迫使提前解决。我们使用基于真实用户评论的评价驱动模拟用户来评估 IDSS，从而进行多样化购物行为的受控研究。我们的评估测量了交互效率和推荐质量。结果表明，熵引导的elicitation 减少了不必要的后续问题，而不确定性感知的排序和呈现则在模糊意图下产生更具信息性、更具多样性和更透明的推荐集合。这些发现表明，熵引导的推理为在不确定性下的代理化推荐系统提供了有效的基础。