Modeling Preference Dependencies with Directed Acyclic Graphs for Narrative-Driven Recommendation
叙事驱动推荐中基于有向无环图的偏好依赖建模
🧭 叙事驱动推荐 · 偏好依赖DAG ★ 深度解读
Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China · School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China · Faculty of Engineering and IT, The University of Melbourne, Melbourne, Australia · Independent Researcher
提出PDG-F框架，将用户叙述解析为偏好依赖DAG，指导分路径检索与拓扑排序，显著提升开放域推荐召回上限与精度
📌 工作参考价值（4 点）
- 将复杂用户需求拆成偏好依赖DAG，显式建模“哪些条件是修饰哪些基础偏好”，避免扁平关键词匹配导致虚假相关；可迁移到电商长尾query理解、复杂筛选条件结构化。
- 以依赖边为单位改写检索query，分路径召回候选后再做拓扑传导打分，比单次检索或listwise rerank更能扩候选池与提升召回天花板；适合需要开放域检索、大候选池的推荐/搜索场景。
- 拓扑路径评分+对数压缩聚合是确定性打分，不依赖RankGPT等提示词排序，可规避上下文窗口限制、位置偏差和推理延迟，工程上可复制为低延迟重排模块。
- 先扩候选池召回、再优化排序：论文显示候选池扩大后pool recall近翻倍甚至三倍，但ranking gap仍是主要瓶颈；业务上若NDCG提升困难，优先补召回而非只调排序模型。