Decision4Rec: A Jev-Inspired Framework of Decision Models on Knowledge and Active Graphs for Multi-Agent Recommender Systems
Decision4Rec：基于知识与活跃图谱的多智能体推荐决策模型框架
🧭 决策模型重排 · 多智能体候选池 ★ 深度解读
Università degli studi di Bari Aldo Moro · Otto-von-Guericke University · Leibniz Institute for Educational Media | Georg Eckert Institute
将决策模型（Jev/Kev）用于推荐重排，结合场景知识图谱语句和多智能体候选池，在稀疏Amazon目录上NDCG@10提升25%-36%。
📌 工作参考价值（5 点）
- 用决策模型（Kev/Jev）替代生成式LLM做重排：直接输出候选概率，确定性单次前向，便于线上校准与风险控制；用Luce模型+两次随机顺序可消除位置偏差。
- 把场景行为编码为相对尺度语句（top 10%/often）而非原始次数，使同一个rerank模型可跨品类/新店铺复用；知识图谱计数可实时更新，无需重训。
- 多智能体候选池中始终保留现有精排模型完整top列表，其它来源仅作为特征修正顺序，避免简单rank fusion对原有召回造成负向影响。
- 训练rerank记录时严格防泄漏：统计特征不能包含target、不补缺失target、target所在的最后一步不能被第一阶段模型训练过；这对构建高质量推荐rerank数据很实用。
- 训练0.8B开源决策模型即可在多数设置中打平甚至超过商业Jev，性价比高。