生成式板块推荐的变异控制与评估

板块推荐将一组条目作为一个整体生成，而非对每条目单独排序，从而更好地建模列表内位置偏置与条目关系。为处理板块的巨大组合空间，近期工作考虑了一种生成式方案，可直接对板块分布建模。然而，我们观察到此类方法——尽管在计算机视觉中已被证明有效——在推荐系统中面临权衡困境：当关注重构时，易过拟合数据且难以生成满意推荐；另一方面，当关注满足用户兴趣时，会陷入少数条目而无法覆盖板块中的条目变异。本文中，我们提出以板块变异指标增强基于准确性的评估，以估计生成式模型的随机行为。我们阐明，有效的生成式方案并非陷入困境中两种不良极端之一，而是位于两者之间狭窄的“肘部”区域。并展示条目扰动可强化板块变异、缓解生成板块的过度集中，从而将“肘部”性能扩展至易发现的区域。我们进一步提出从生成过程中分离一个支点选择阶段，使模型能在生成前施加扰动。实证结果表明，与生成后扰动方法相比，这一简单修改能在相同准确性水平下提供甚至更好的方差。