一刀切不适用：在推荐系统中建模用户的个人好奇心

当今的推荐系统被批评推荐的项目过于显而易见，无法唤起用户兴趣。正因如此，推荐系统研究界倡导一些“超越准确率”的评估指标，如新颖性、多样性、覆盖率和意外性，希望促进信息发现并长期维持用户兴趣。虽然带来了新视角，这些评估指标大多未考虑个体用户差异：一个开放的用户可能偏爱高度新颖或多样化的推荐，而一个保守用户对新颖或多样性的胃口可能没那么大。本文中，我们开发了一个模型，在心理学中著名的 Wundt 曲线指导下，近似个体对不同刺激水平的好奇心分布。我们度量一个项目的惊喜水平以评估刺激水平以及其是否处于用户刺激胃口范围内。随后我们提出一个同时考虑用户偏好与刺激胃口的推荐系统框架，其中好奇心被最大唤起。我们的框架不同于典型推荐系统之处在于它利用人类好奇心来促进与系统的内在兴趣。我们进行了一系列评估实验，表明我们的框架能够对不仅高评分且高响应可能性的项目排更高名次。相比传统方法，我们的算法生成的推荐列表具有更高激发用户好奇心的潜力。评估刺激（惊喜）强度的个性化因子进一步帮助推荐器实现更小（更好）的用户间相似性。