202406 arxiv

• 推荐系统在许多现代在线服务中发挥着关键作用，例如电子商务或媒体流服务，它们能够为消费者和服务提供商创造巨大的价值。因此，过去几十年来，研究人员提出了大量生成个性化推荐的技术方法。传统算法——从早期的 GroupLens 系统开始——通常会考虑用户已知偏好的完整历史来生成推荐列表。因此，这些推荐往往反映出用户随时间演化的多样化兴趣和需求。
• 然而，在许多情况下，我们访问在线服务是带着特定目标或意图的。以音乐流媒体服务为例，我们可能是为了快速播放自己喜欢的音乐、寻找适合在背景中播放的音乐，或者探索新的、有趣的艺术家。同样地，在电商场景中，我们可能是为了调研某个商品类别的选择、继续之前的购物会话，或仅仅是为了浏览目录以寻找灵感。因此，合适的推荐结果在很大程度上取决于用户背后的意图，这种意图不仅可能在不同访问之间发生变化，甚至可能在一次使用会话中就发生转变。
• 鉴于用户可能具有多样的短期意图，仅根据所有历史偏好、而不考虑当前情境和目标的推荐算法往往并不理想。由于准确猜测用户访问服务时的具体意图具有挑战性，实践中常见的解决方案是在服务的首页上提供多个推荐列表，每个列表针对不同的潜在意图。这种多个推荐列表的做法在媒体流服务（如 Netflix 或 Spotify）和电商网站（如 Amazon.com）中非常常见。另外，一些服务也会在单一推荐列表中进行多样化，以覆盖多个潜在意图。例如，推荐列表可能既包含对用户而言新颖且具有意外性的项目，也包含用户最近已经看过的一些项目，从而便于用户继续先前的购物会话。
• 在学术文献中，用户需求的多样性和随时间变化的问题也已被识别，并通过多种方式加以应对。在传统的基于用户-项目交互矩阵的推荐系统构建方法中，常见的应对方式包括推荐结果的意图多样化、引入时间信息和兴趣漂移建模，或利用上下文信息，如用户当前位置和时间等。
• 近年来，学术研究重心逐渐从传统的“矩阵补全”推荐设置转向了**序列感知推荐（sequence-aware）与会话推荐（session-based）**问题。在这些方法中，生成推荐结果主要是基于用户最近的交互行为。其核心假设是，用户最近的行为可以很好地反映其当前的短期意图。
• 然而，尽管最近的用户行为可能揭示其潜在意图，研究人员近年来试图以更显式的方式将意图感知纳入推荐系统。尤其是在工业应用中的实证研究表明，根据预测的用户意图调整推荐策略具有显著潜力。例如，一项在电商领域的现场测试显示，当推荐系统根据当前预测的用户意图动态切换策略时，诸如购买率等关键业务指标（KPI）可以显著提升。同样地，Spotify 在音乐流媒体领域的一项研究探讨了用户行为、意图与满意度之间的关系。研究的一个核心结论是：理解用户意图对于预测用户满意度至关重要，并且在不同的意图下，不同的交互信号可能成为有效的预测因素。
• 鉴于上述方法在实践中的高度相关性，我们本文的目标是对“意图感知推荐系统”（Intent-Aware Recommender Systems, IARS）这一日益增长的研究方向进行综述。为此，我们通过半系统性文献检索识别了一大批近期研究工作，并从多个维度对这些方法进行了分类。
• 本综述特别关注将意图感知融入推荐系统的技术方法，包括：

  • 多样化技术，

  • 意图预测模型，

  • 潜在意图建模方法等。

• 此外，我们还回顾了 IARS 的常见应用领域与评估方法。分析表明，当前的研究高度依赖于离线实验，且预测准确率仍是最主要的评估指标。
• 最后，通过本次文献综述，我们识别出了当前研究中的若干空白与未来的研究方向。具体而言，用户行为、项目属性和上下文因素的日益丰富的信息来源，为更准确地预测用户交互时的具体意图提供了新机会。此外，在未来的 IARS 中，显式考虑特定应用场景下的用户意图也显示出巨大潜力。