为何不结合？面向查询与物品的多轮推荐系统

推荐系统的一项基础技术涉及对用户偏好的建模，其中查询和物品被广泛用作用户兴趣的符号表示。查询在抽象层面勾勒出用户需求，提供高层级的描述；而物品则在更具体和实际的层面运作，代表用户偏好的细粒度方面。尽管具有实用性，但查询和物品推荐都面临用户反馈稀疏的挑战。为此，我们提出了一种名为多轮自动猜测与更新系统（MAGUS）的新方法，该方法利用两者之间的协同作用，使我们能够同时利用查询和物品信息来构建用户兴趣。该集成系统引入了一个递归框架，可应用于任何推荐方法，以利用历史交互中的查询和物品，并在每轮交互中为查询和物品提供推荐。对 12 种不同推荐方法的测试实证结果表明，通过 MAGUS 将查询整合到物品推荐中，显著提高了效率，使用户能够在多轮交互中更高效地识别其偏好的物品。