G-UBS：通过群体感知用户行为模拟实现对隐式反馈的稳健理解
信息检索
2025-11-25 v2 机器学习
多智能体系统
摘要
用户反馈对于细化推荐系统至关重要，但显式反馈（如点赞或不喜欢）在实际应用中稀缺。从大量隐式反馈中推断用户偏好显示出巨大的潜力（例如，用户快速跳过推荐视频通常表示不感兴趣）。然而，隐式反馈常常嘈杂：用户可能因误点或其他原因而跳过视频，而并非不喜欢它。此类噪声容易误判用户兴趣，从而损害推荐性能。为解决此问题，我们提出一种新颖的、基于群体感知的用户行为模拟（G-UBS）范式，利用相关用户群体的情境指导，实现对单个用户的隐式反馈进行稳健且深入的解释。具体而言，G-UBS 通过两个关键智能体运行。首先，用户群体经理（UGM）利用基于 LLM 的“总结-聚类-反思”工作流程有效聚类用户，生成群体轮廓。其次，用户反馈建模器（UFM）采用创新的群体感知强化学习方法，在每个用户受关联群体轮廓指导的情况下进行强化学习，从而允许 UFM 对隐式反馈背后的原因进行稳健且深入的检验。为评估我们的 G-UBS 范式，我们构建了一个包含 15,000 名用户、25,000 个视频和 933,000 条隐式反馈互动记录的视频推荐基准测试（IF-VR）。据我们所知，这是首个针对隐式反馈在视频推荐中进行评估的多模态基准测试。对 IF-VR 上大量实验表明，G-UBS 在主流 LLM 和 MLLM 上显著优于后者，视频实现播放率 >30% 的比例高出 4.0%，在 IF-VR 上的推理准确率提高 14.9%。
引用
@article{arxiv.2508.05709,
title = {G-UBS: Towards Robust Understanding of Implicit Feedback via Group-Aware User Behavior Simulation},
author = {Boyu Chen and Siran Chen and Zhengrong Yue and Kainan Yan and Chenyun Yu and Beibei Kong and Cheng Lei and Chengxiang Zhuo and Zang Li and Yali Wang},
journal= {arXiv preprint arXiv:2508.05709},
year = {2025}
}
备注
Accepted in AAAI 2026