当相关性遇上新颖性：用于富有惊喜感推荐的双稳定周期优化
信息检索
2026-03-05 v3 人工智能
摘要
传统的推荐系统倾向于通过过度推送与用户历史偏好相匹配的内容来形成强烈的反馈回路，从而限制了探索机会并导致内容疲劳。虽然大型语言模型（LLM）凭借其多样化的内容生成能力显示出潜力，但现有的 LLM 增强型双模型框架面临两个主要局限性：首先，它们忽略由群体身份驱动的长期偏好，导致兴趣建模偏差；其次，它们受制于静态优化，因为一次性的对齐过程无法利用增量用户数据进行闭环优化。为此，我们提出了 Co-Evolutionary Alignment（CoEA）方法。针对兴趣建模偏差，我们引入 Dual-Stable Interest Exploration（DSIE）模块，通过并行处理行为序列，联合建模由群体身份驱动的长期偏好和由个体兴趣驱动的短期偏好。针对静态优化的局限性，我们设计了 Periodic Collaborative Optimization（PCO）机制。该机制定期对增量数据进行偏好验证，使用 Relevance LLM 进行验证，然后引导 Novelty LLM 根据验证结果进行微调，并将不断微调后的 Novelty LLM 的输出反馈给 Relevance LLM 进行重新评估，从而实现动态的闭环优化。大量的线上和线下实验验证了 CoEA 模型在富有惊喜感推荐方面的有效性。
引用
@article{arxiv.2508.00450,
title = {When Relevance Meets Novelty: Dual-Stable Periodic Optimization for Serendipitous Recommendation},
author = {Hongxiang Lin and Hao Guo and Zeshun Li and Erpeng Xue and Yongqian He and Zhaoyu Hu and Lei Wang and Sheng Chen and Long Zeng},
journal= {arXiv preprint arXiv:2508.00450},
year = {2026}
}