隐式负反馈修正的用户兴趣追踪多轮对话推荐
来源：计算机工程与应用杂志2026年第9期北京时间：
作者：党伟超, 左媛, 高改梅, 刘春霞
单位：太原科技大学 计算机科学与技术学院，太原 030024；
摘要：多轮对话推荐系统的推荐准确率和交互轮次直接决定了其性能的好坏。现有研究对属性粒度负反馈利用不充分，且在获得候选属性集后未考虑候选属性集中属性与用户当前偏好属性的相关性，导致推荐不够准确、交互轮次冗余。因此，提出一种隐式负反馈修正的用户兴趣追踪多轮对话推荐模型。将多轮对话推荐建模为多层对话推理树型结构，设计用户兴趣追踪修正模块，修正用户实时偏好实现更准确的用户偏好估计；设计一种挖掘用户隐式负反馈的属性级协同过滤重排序选择策略，计算在线收集的属性级负反馈与树型结构关系约束属性之间的隐向量相似关联度，剪枝不相关候选属性，重排序候选属性集，进而缩小候选属性空间范围，最终减少非必要对话轮次。四个基准数据集上的实验结果表明，在推荐性能和平均对话轮次等各项指标上均优于先进的基线模型，验证了模型在推荐精度与交互效率方面的优越性。
关键词：多轮对话推荐系统,用户兴趣追踪修正,隐式负反馈,协同过滤
基金资助：山西省自然科学基金（202203021211194，202403021221141）；太原科技大学研究生创新项目（SJ2025022）。
