Learning–Optimization Interactive Framework for Evolutionary Multi-Objective Recommendation

Yuanyuan Ge

doi:10.1109/tevc.2026.3729026

Learning–Optimization Interactive Framework for Evolutionary Multi-Objective Recommendation

2026-09-01

0

PRE

AI

DOI：10.1109/tevc.2026.3729026

原文链接

原文求助

摘要

En 中文

进化多目标优化（EMO）在推荐系统（RSs）中已展现出平衡准确度、多样性和新颖性等冲突标准的能力。然而，大多数现有的基于EMO的RS采用两阶段“学习–然后–优化”范式，其中表示学习和EMO按顺序独立执行。换言之，后期的优化阶段受限于前期学习阶段建立的预测得分，导致多目标推荐性能瓶颈。为解决此限制，我们提出一种学习–优化交互框架（LOIF），实现表示学习与EMO之间的闭环反馈交互。在LOIF的核心中，我们设计了一种自适应帕累托反馈交互（APFI）策略，以确定学习与优化之间信息交换的“时机”和“方式”。学习状态信号，包括损失停滞和嵌入稳定性，决定了预测结果从学习传递到优化的时机；而由此产生的帕累托最优解则通过概率采样决定EMO信息如何反馈到学习阶段。基于APFI，我们进一步提出语义增强初始化（SEI）策略以提升学习阶段的表示质量，并提出了快速搜索竞争优化（FSCO）策略以加速优化阶段的帕累托前沿收敛，从而在频繁的学习–优化交互下实现高效的多目标搜索。在真实数据集上的大量实验表明，LOIF在准确度–多样性权衡方面持续优于传统两阶段框架，并实现更快的帕累托收敛。

Keyword:

Evolutionary optimization

Multi-objective recommendation

Recommendation system

Probabilistic sampling

Learning–Optimization Interactive Framework for Evolutionary Multi-Objective Recommendation

摘要

期刊

机构

引用论文