arXiv cs.AI· Takashi Ishida, Taro Makino, Issa Sugiura·· 11 小时前AI 评分29
QD-Rec：用质量-多样性方法实现推荐的开放式进化
QD-Rec: Open-Ended Evolution of Recommendations via Quality-Diversity
AI 导读
QD-Rec 是一种质量-多样性方法，将开放式搜索与基础模型结合用于决策推荐，通过上下文 bandit 选择条目、由基础模型基于存档中的早期假设生成新假设，新推荐若新颖或优于最近邻才进入存档。在 M&A、客户定向以及论文与书籍推荐任务中，QD-Rec 在多数设置下取得最高平均质量并构建最大存档。
正文 · AI 翻译
摘要：开放式搜索与基础模型相结合，已带来诸多进展，例如更快的算法、开放数学问题的新结果以及自我改进的智能体。我们将这一范式扩展到面向决策的推荐，重点关注可能选项集合固定、但选择理由不固定的决策。在高风险决策中，例如收购哪家公司或瞄准哪位客户，比较多样且论证充分的选项可能比单一排序列表更有用。我们将开放式推荐形式化为构建一组多样、高质量的推荐，每条推荐包含一个项目以及一个假设，即用自然语言说明该项目为何契合决策者的需求。我们提出 QD-Rec，这是一种质量—多样性方法，它通过上下文赌博机选择项目，并利用基础模型基于存档中作为垫脚石的先前假设生成新假设。若新推荐具有新颖性，或优于其最近邻，则进入存档。在并购、客户定位以及论文和图书推荐中，QD-Rec 在大多数设置下给出最高的平均质量，并构建最大的存档。
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；机器学习（cs.LG）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.23470 [cs.IR] |
| （或 arXiv:2610.23470v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23470 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Takashi Ishida [查看电子邮件]
[v1]
2026年10月16日星期五 13:49:22 UTC（3,896 KB）
来源：arXiv cs.AI · arxiv.org