Q and R: A two-stage approach for interactive recommendation

两阶段交互推荐方法

ABSTRACT

在众多应用场景中广泛采用的推荐系统，其核心目标是在恰当的时间节点为用户呈现契合的内容。近期，学界致力于构建能够实现与用户流畅互动的对话式系统，以更高效地挖掘用户偏好并优化推荐效果。为推进该方向的研究，本文聚焦于单次对话过程中涉及的两个关键环节：确定向用户提出的问题内容，以及如何借助用户的反馈信息生成更具精准度的推荐结果。围绕这两个环节，首先我们构建了一个基于RNN架构的模型，用于预测用户可能感兴趣的议题；随后，我们对当前最先进的RNN驱动视频推荐系统进行扩展，将其与用户选定的主题进行整合。文中介绍了所提出的Q&R（Question & Recommendation）系统及其对应的替代任务设计，这些任务用于生成训练模型所需的数据集。我们在YouTube平台上的多个实际应用场景中对Q&R系统的不同模块进行了评估测试，包括新用户引导、首页推荐以及通知推送等场景。实验结果表明，相较于现有前沿推荐模型（如RNN），本方法在提升系统实用性方面具有显著优势，例如视频通知开启率提升了超过1%。此外，本研究中的设计思路对于希望转向对话式推荐系统的实践者也具有重要参考价值。

1 INTRODUCTION

推荐系统在协助用户从海量信息中进行有效筛选时扮演着至关重要的角色，其核心功能是为用户精准匹配所需内容，如商品购买、文章阅读