QD-Rec：质量-多样性开放式推荐方法

2026年10月20日，arXiv Artificial Intelligence 刊出 Takashi Ishida 等作者的论文，提出 QD-Rec 质量-多样性推荐方法。该方法将开放式搜索与基础模型结合，把推荐形式化为构建一组多样化、高质量的推荐，每条推荐由物品和自然语言理由假设组成：用上下文 bandit 选择物品，用基础模型基于归档中保留的早期假设生成新假设，只有新颖或优于最近邻的推荐才进入归档。作者在并购、客户定向、论文与图书推荐任务中测试，称 QD-Rec 在多数设置下取得最高平均质量并构建最大归档。目前报道仅覆盖该方法的设计与上述实验结论，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。