轮播推荐系统中的用户行为理解：用于点击建模与排序学习

轮播（也称为多列表）已取代排序列表成为电子商务平台的标准用户界面，而排序列表曾是推荐系统的先前标准。尽管研究界已开始关注轮播，但与排序列表的文献（包括关于网页搜索结果呈现的信息检索研究）相比，仍存在许多未解问题和未开发领域。本工作是RecSys 2023博士研讨会的扩展摘要，概述了一个博士项目，其主要贡献在于解决轮播推荐器中的未开发领域：1）新点击模型的构建；2）利用点击数据的排序学习。我们提出了该贡献及该领域面临的两个重大障碍：缺乏公开数据集以及缺乏关于浏览行为的眼动追踪用户研究。点击是推荐系统收集的标准反馈，不足以理解用户与推荐器的整个交互过程，需要系统设计者做出假设，尤其是在浏览行为方面。眼动追踪提供了一种阐明过程并检验这些假设的手段。因此，为克服这些障碍并鼓励未来工作，我们将在轮播电影推荐场景下开展眼动追踪用户研究，并将数据集公开。此外，从浏览行为中获得的见解将有助于启发新点击模型的构建与排序学习。