系统2推荐器：通过时间点过程区分推荐系统中的效用与参与度

推荐系统是现代人类体验的重要组成部分，其影响范围从我们吃的食物到我们阅读的新闻。然而，关于推荐平台在多大程度上与用户目标一致仍存在争议。推动这一争论的核心问题是基于参与信号（如点赞、分享、观看时间等）推断用户效用的挑战，而这些信号是平台优化内容的主要指标。这是因为用户由效用驱动的决策过程（我们称之为系统2），例如阅读与他们相关的新闻，常常被他们冲动的决策过程（我们称之为系统1）所混淆，例如花时间在点击诱饵新闻上。因此，很难推断观察到的参与是效用驱动还是冲动驱动。在本文中，我们探索了一种新的推荐系统方法，其中我们根据用户返回平台的概率而不是参与信号来推断用户效用。我们的直觉是，如果平台为用户创造效用，用户往往会长期返回平台，而纯粹由参与驱动的互动（不增加效用）可能在短期内影响用户返回，但不会产生持久影响。我们提出了一个生成模型，其中过去的交互内容基于自激霍克斯过程影响用户的到达率。这些到达率是系统1和系统2决策过程的组合。系统2的到达强度取决于效用并具有持久影响，而系统1的强度取决于即时满足并迅速消失。我们分析表明，给定样本，可以区分系统1和系统2，并允许基于用户效用进行内容优化。我们在合成数据上进行实验以证明我们方法的有效性。