目标收益约束下最优数据推荐系统中用户偏好的匹配

本文关注基于用户偏好与系统期望收益寻找特定数据推荐策略的问题。为此，我们将该问题表述为一个优化问题，将推荐机制设计为尽可能接近用户行为并满足一定收益约束。事实上，最优推荐分布是在相对熵意义下最接近效用分布且满足期望收益的分布。我们证明，若目标收益合理（即既不太小也不太大），最优推荐分布与消息重要性度量(MIM)形式相同。因此，最优推荐分布可视为归一化 MIM，其中称为重要性系数的参数表示系统的关注点，并切换系统对不同出现概率数据集的注意力。通过调整重要性系数，我们基于 MIM 的数据推荐框架可应用于具有不同系统需求与数据分布的系统中。因此，所得结果从数据推荐视角阐明了 MIM 的物理意义，并在一方面验证了 MIM 的合理性。