The Decision-Theoretic Interactive Video Advisor
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校);Assumption University(易三仓大学)
为了帮助人们在大量的项目中进行选择,并通过大量的信息进行过滤,导致了大量的研究在建设个人推荐代理。在构建这样的代理的中心问题之一是表示和用户的喜好或兴趣的启发。这个主题在决策理论中已经研究了很长时间,但令人惊讶的是,在推荐系统领域很少有工作使用正式的决策理论技术。本文介绍了DIVA,一个决策理论代理推荐电影,包含了一些新的功能。DIVA使用项目之间的成对比较来表示用户偏好,而不是数字评级。它使用了一种新的相似性度量的基础上的概念,两个排序的项目之间的冲突的概率。该系统具有丰富的偏好表示,区分用户对电影的一般品味和他的直接兴趣。它采用了一种增量的方法来获取偏好,如果用户对推荐列表不满意,可以提供反馈。我们经验评估系统的性能,使用EachMovie协同过滤数据库。
2013-01-23 cs.AI cs.IR
Preference Elicitation for Multi-objective Combinatorial Optimization with Active Learning and Maximum Likelihood Estimation
Department of Computer Science, KU Leuven(计算机科学系,根特大学)
本文针对多目标组合优化中权重难以预先定义的问题,提出基于Constructive Preference Elicitation框架的改进方法,通过解池加速、最大似然估计学习和主动学习查询选择,在减少用户交互的同时生成更高质量的解。
2025-08-27 cs.AI cs.LG
Requirements Elicitation in Cognitive Service for Recommendation
Harbin Institute of Technology(哈尔滨工业大学)
如今,认知服务提供了更多的交互方式来了解用户的需求,通过人机对话。换句话说,它必须从用户的话语中捕捉用户的需求,并以相关的和合适的服务资源来响应它们。为此,必须应用两个阶段:I.序列规划和实时检测用户需求,II.服务资源选择和响应生成。现有的工作忽略了这两个阶段之间的潜在联系。为了对它们之间的联系进行建模,提出了两阶段需求获取方法。对于第一阶段,本文提出了一个用户需求获取框架(URef),以计划一个潜在的需求序列的基础上用户简档和个人知识库的对话之前。此外,它还可以预测用户的真实需求,并根据用户在会话过程中的话语判断需求是否完成。对于第二阶段,本文提出了一种基于注意力的响应生成模型SaRSNet。它可以根据URef预测的需求选择合适的资源(即知识三元组),然后生成一个合适的推荐响应。在开放数据集\emph{DuRecDial}上的实验结果与基线相比有了明显的改善,证明了所提方法的有效性。
2022-03-29 cs.AI cs.SE
Preference Elicitation for Step-Wise Explanations in Logic Puzzles
针对逻辑谜题分步解释中候选步骤多、用户偏好难定义的问题,提出动态归一化技术和MACHOP查询生成策略,通过交互式偏好获取学习用户偏好,提升解释质量,在数独和逻辑网格谜题上验证效果优于标准方法。
2025-11-13 cs.AI
Adaptive Prompt Elicitation for Text-to-Image Generation
Aalto University \& University of Helsinki \& ELLIS Institute Finland Helsinki Finland;Aalto University Helsinki Finland;Aalto University \& ELLIS Institute Finland Helsinki Finland;Aalto University \& University of Helsinki \& ELLIS Institute Finland;Aalto University;Aalto University \& ELLIS Institute Finland
本文提出自适应提示引导技术,通过交互式意图推断框架提升文本到图像生成与用户意图的对齐效率,实验表明其在准确性和效率上均优于现有方法。
2026-04-21 cs.AI cs.CV cs.HC
Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems
本文提出IDSS系统,利用熵信号处理用户查询中的模糊性,通过自适应偏好挖掘和不确定性感知的推荐,提升推荐系统的多样性和透明度。
2026-03-12 cs.AI
ClarifyCodeBench: Evaluating LLMs on Clarifying Ambiguous Requirements for Code Generation
Peking University(北京大学)
提出ClarifyCodeBench基准,通过人工标注的模糊需求、澄清问题和指标,评估LLMs主动澄清需求的能力,发现代码生成能力与需求澄清能力脱钩,且多模糊场景下性能下降。
2026-10-05 cs.AI cs.SE
IDEA2: Expert-in-the-loop competency question elicitation for collaborative ontology engineering
School of Computer Science and Informatics, University of Liverpool(利物浦大学计算机科学与信息学院);College of Computer Science and Engineering, Taibah University(塔伊巴大学计算机科学与工程学院);Unilever Plc., Materials Innovation Factory, University of Liverpool(联合利华公司,利物浦大学材料创新工厂)
IDEA2通过整合大语言模型和专家反馈,解决本体工程中能力问题提取的瓶颈,提升问题相关性和可接受性。
2026-04-01 cs.AI
PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback
IAV GmbH(IAV公司);Utrecht University(乌得勒支大学)
我们提出了PSEUDo,一种自适应特征学习技术,用于探索多轨道序列数据中的视觉模式。我们的方法设计的主要重点是克服当前基于深度学习的系统中不经济的再训练要求和不灵活的表示学习。由于传感器和数据存储的增加,多轨道时间序列数据以前所未有的规模生成。这些数据集包含有价值的模式,就像在神经营销中,研究人员试图将来自生理传感器的多变量序列数据中的模式与产品和服务的购买行为联系起来。但是,缺乏地面实况和高方差使自动模式检测不可靠。我们的进步是基于一种新的查询感知的局部敏感的哈希技术,以创建一个基于特征的多变量时间序列窗口的表示。最重要的是,我们的算法具有次线性训练和推理时间。我们甚至可以完成10,000个不同的64轨时间序列的建模和比较,每个时间序列在0.8秒内具有100个时间步长(典型的EEG数据集)。这种性能增益允许底层模式相似性模型的快速相关反馈驱动的自适应,并使用户能够逐渐修改速度与准确性的权衡。我们通过定量性能比较和定性视觉质量比较,证明了PSEUDo在效率,准确性和可操控性方面的优越性,以最先进的算法在该领域。此外,我们展示了PSEUDo的可用性,通过案例研究,展示了我们的视觉模式检索概念在一个大型气象数据集。我们发现,我们的自适应模型可以准确地捕捉用户的相似性的概念,并允许在大型多变量时间序列数据集的可理解的探索性视觉模式检索。
2021-05-10 cs.AI cs.DS cs.LG
Eliciting Human Preferences with Language Models
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Anthropic(Anthropic公司);Stanford(斯坦福大学)
提出生成式主动任务引导(GATE)框架,利用语言模型通过自由形式语言交互推断用户意图,实验表明该方法比传统提示或标注更省力且能获取更多信息,有效实现模型与复杂人类偏好的对齐。
2023-10-17 cs.AI cs.CL cs.LG
Structured pre-generation elicitation versus single-shot prompting in AI-assisted enterprise decision-making: a randomised online experiment
Oxford Centre for Impact Research(牛津影响研究中心)
本研究通过随机在线实验发现,在AI生成前加入结构化元认知引导(Cognistance)相比单次提示,可将企业决策文档质量提升32%,并显著减少离题输出,但需额外时间成本。
2026-10-08 cs.AI cs.HC
TREC iKAT 2023: A Test Collection for Evaluating Conversational and Interactive Knowledge Assistants
University of Amsterdam(阿姆斯特丹大学);University of Edinburgh(爱丁堡大学);University of Strathclyde(思克莱德大学)
TREC iKAT 2023构建了包含36个个性化对话、20个主题和PTKB的测试集,通过344轮对话及多维度评估,为对话式搜索代理研究提供基准。
2024-05-04 cs.AI cs.CL cs.IR
Balancing Reinforcement Learning Training Experiences in Interactive Information Retrieval
Georgetown University(乔治城大学)
交互式信息检索(IIR)和强化学习(RL)有许多共同点,包括在交互时学习的代理,长期而复杂的目标以及探索和适应的算法。为了成功地将强化学习方法应用于IIR,一个挑战是获得足够的相关标签来训练强化学习代理,这是众所周知的样本效率低下。然而,在针对给定查询注释的文本语料库中,占主导地位的不是相关文档,而是不相关文档。这将导致代理的训练经验非常不平衡,并阻止它学习任何有效的策略。我们的论文通过使用域随机化来合成更多相关文档以进行训练来解决这个问题。我们在Text Retrieval Conference(TREC)Dynamic Domain(DD)2017 Track上的实验结果表明,该方法能够将RL agent的学习效率提高22%,以处理未知情况。
2021-06-09 cs.AI cs.IR
Diversity-Promoting Deep Reinforcement Learning for Interactive Recommendation
Nanyang Technological University(南洋理工大学);Shandong University(山东大学);Alibaba Group(阿里巴巴集团)
交互式推荐是对用户与推荐系统之间的显式交互进行建模的一种方法,近年来受到了广泛的关注。以往的交互式推荐系统大多只关注推荐准确率的优化,而忽略了推荐质量的其他重要方面,如推荐结果的多样性。本文提出了一种新的推荐模型,称为\underline{D}多样性促进\underline{D} eep \underline{R} \underline{L} earning(D $^2$ RL),它鼓励交互推荐中推荐结果的多样性.更具体地说,我们采用了一个决定性点过程(DPP)模型来生成不同的,而相关的项目建议。为每个用户维护个性化的DPP核矩阵,该矩阵由两部分构成:固定的相似度矩阵,捕获项目之间的相似性,以及通过演员-评论家强化学习框架动态学习的项目的相关性。我们进行了大量的离线实验以及模拟在线实验与现实世界的数据集,以证明所提出的模型的有效性。
2019-03-19 cs.AI cs.IR
Dialog-based Interactive Image Retrieval
IBM Research AI(IBM人工智能研究院);Fusemachines Inc.(福赛机器公司)
现有的交互式图像检索方法具有整合用户反馈、提高检索效果的优点。然而,大多数当前系统依赖于受限形式的用户反馈,例如二进制相关性响应,或基于固定的相对属性集的反馈,这限制了它们的影响。在本文中,我们介绍了一种新的交互式图像搜索方法,使用户能够通过自然语言提供反馈,允许更自然和有效的互动。我们制定了基于对话框的交互式图像检索的任务作为一个强化学习问题,并奖励对话系统在每个对话轮提高目标图像的排名。为了减轻对话系统学习时收集人机对话的繁琐和昂贵的过程,我们用用户模拟器训练我们的系统,该用户模拟器本身经过训练以描述目标图像和候选图像之间的差异。我们的方法的有效性证明在鞋类检索应用程序。在模拟和真实数据上的实验表明:1)我们提出的学习框架比其他监督和强化学习基线具有更好的准确性; 2)基于自然语言而不是预先指定的属性的用户反馈导致更有效的检索结果,以及更自然和表达的通信界面。
2018-12-20 cs.AI cs.CV
KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation
Zhejiang University(浙江大学);Apple(苹果公司);Tencent(腾讯)
KnowU-Bench通过Android仿真环境评估个性化移动代理,涵盖42个通用GUI任务、86个个性化任务和64个主动任务,验证代理在交互中获取用户偏好和主动干预的能力,发现前沿模型在模糊指令下表现下降,揭示偏好获取和干预校准的关键瓶颈。
2026-04-09 cs.AI
MeSIN: Multilevel Selective and Interactive Network for Medication Recommendation
Dalian University of Technology(大连理工大学);Dongbei University of Finance and Economics(东北财经大学);China National Health Development Research Center(国家卫生健康委卫生发展研究中心)
使用电子健康记录(EHR)为患者推荐药物是智能医疗系统的关键数据采掘任务。它可以帮助医生更有效地做出临床决策。然而,EHR数据固有的复杂性使其成为一项具有挑战性的任务:(1)多级结构:EHR数据通常包含与决策路径密切相关的多级结构,例如,实验室结果导致疾病诊断,然后有助于处方药物;(2)多序列相互作用:EHR数据中的多个序列通常彼此密切相关;(3)大量噪声:EHR数据中大量与任务无关的特征或噪声信息通常导致次优性能。为了应对上述挑战,我们提出了一个多层次的选择和交互式网络(MeSIN)的药物推荐。具体而言,MeSIN设计有三个组件。首先,注意力选择模块(ASM)被应用于分配灵活的注意力分数到不同的医疗代码嵌入的相关性,在每次入院的推荐药物。其次,我们采用了一种新的交互式长短期记忆网络(InLSTM),以加强EHR数据中的多层次医疗序列的相互作用与校准的记忆增强细胞和增强的输入门的帮助。最后,我们采用了一个全球选择性融合模块(GSFM)注入多源信息嵌入到最终的患者表示的药物推荐。为了验证我们的方法,在真实世界的临床数据集上进行了广泛的实验。结果表明,我们的框架在几个基线上的一致的优越性,并证明了我们所提出的方法的有效性。
2021-04-22 cs.AI cs.IR cs.LG
D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning
University of Tehran(德黑兰大学)
近年来,基于强化学习的交互式推荐系统由于将推荐过程视为一个动态过程,并根据用户的即时反馈来更新推荐模型,而传统的推荐方法忽略了这一点,因此受到了研究者的关注。现有的工程有两个明显的缺点。首先,低效的排名功能产生Top-N推荐列表。第二,关注推荐准确性,而不关注多样性等其他评价指标。本文提出了一种基于深度强化学习的推荐系统,该系统利用Actor-Critic架构对动态用户与推荐代理的交互进行建模,并最大化期望的长期回报。此外,我们建议利用Spotify的ANNoy算法来找到最相似的项目,以生成演员网络的动作。在此基础上,使用总多样性效果排名算法来生成关于相关性和多样性的推荐。此外,我们应用位置编码来计算表示用户的交互序列,而不使用序列对齐的递归神经网络。MovieLens数据集上的大量实验表明,我们提出的模型能够根据用户的偏好生成一个多样化的,而相关的推荐列表。
2021-10-29 cs.AI cs.IR
A glass-box interactive machine learning approach for solving NP-hard problems with the human-in-the-loop
Medical University Graz(格拉茨医科大学);Vasile Alecsandri University of Bacǎu(瓦西里·亚历山德里巴克乌大学);Technical University of Cluj-Napoca(克卢日-纳波卡技术大学);Coventry University(考文垂大学)
机器学习的目标是自动从数据中学习,提取知识并在没有任何人为干预的情况下做出决策。这种自动(aML)方法取得了令人印象深刻的成功。最近的结果甚至有趣地表明,应用于皮肤病变自动分类的深度学习与皮肤科医生的表现不相上下,但优于平均水平。由于人类的感知是固有的有限的,这样的方法可以发现模式,例如,两个对象是相似的,在任意的高维空间中,没有人能够做到这一点。人类只能处理有限数量的数据,而大数据对aML有利;然而,在健康信息学中,我们经常面临少量数据集,aML遭受训练样本不足,许多问题在计算上很难。在这里,交互式机器学习(iML)可能会有所帮助,其中人在回路中有助于降低NP难题的复杂性。iML的另一个动机是标准的黑盒方法缺乏透明度,因此无法促进最终用户对ML的信任和接受。法律和隐私方面的问题不断增加,例如新的《欧洲一般数据保护条例》,使得黑箱方法难以使用,因为它们往往无法解释为什么要做出决定。在本文中,我们提出了一些实验来证明人在回路方法的有效性,特别是在打开黑盒子的玻璃盒,从而使人类直接与学习算法进行交互。我们选择了蚁群优化框架,并将其应用于旅行商问题,这是一个很好的例子,因为它与健康信息学相关,例如蛋白质折叠的研究。从人类如何从如此少的数据中提取如此多的研究中,基础ML研究也可能受益。
2017-08-03 cs.AI stat.ML
Characterising LLM-Generated Competency Questions: a Cross-Domain Empirical Study using Open and Closed Models
Taibah University, Madinah, Saudi Arabia(塔伊卜大学,麦地那,沙特阿拉伯);University of Liverpool, Liverpool, UK(利物浦大学,利物浦,英国)
本文通过跨领域分析,系统比较了不同大语言模型生成的能力问题在可读性、相关性和结构复杂性方面的特性。
2026-04-17 cs.AI
Exploring ML testing in practice -- Lessons learned from an interactive rapid review with Axis Communications
Lund University(隆德大学);RISE Research Institutes of Sweden(瑞典RISE研究院);Axis Communications(安讯士通信公司)
工业界和学术界对机器学习(ML)测试的兴趣越来越大。我们认为,工业界和学术界需要共同学习,以产生严格和相关的知识。在这项研究中,我们发起了一个案例公司,一个研究机构和一所大学的利益相关者之间的合作。为了建立问题领域的共同观点,我们对最新技术进行了交互式快速回顾。来自隆德大学和RISE研究所的四名研究人员以及来自Axis Communications的四名从业者回顾了一组关于ML测试的180项主要研究。我们为ML测试挑战和结果的沟通开发了一个分类,并确定了与Axis Communications相关的12个评审问题。将三个最重要的问题(数据测试、评估指标和测试生成)映射到文献中,并对与最重要的问题(数据测试)匹配的35项主要研究进行了深入分析。最后一组的五个最佳匹配进行了分析,我们反映了行业的适用性和相关性的标准。分类法有助于交流,但不是最终的。此外,没有与案例公司调查的审查问题(数据测试)完全匹配。然而,我们从五项研究中提取了概念层面的相关方法,以支持随后的特定环境改进。我们发现,互动式快速审查方法有助于触发和协调不同利益相关者之间的沟通。
2022-03-30 cs.AI cs.SE
TRACE: A Conversational Framework for Sustainable Tourism Recommendation with Agentic Counterfactual Explanations
Technical University of Munich(慕尼黑技术大学);Polytechnic University of Bari(巴里理工学院)
TRACE通过多代理架构促进可持续旅游,利用反事实解释和LLM生成问题,提升用户环保意识,实验证明其在推荐质量与交互响应上的有效性。
2026-04-14 cs.AI cs.IR
Preliminary Quantitative Study on Explainability and Trust in AI Systems
University of Maryland, College Park(马里兰大学学院公园分校)
本研究通过交互式贷款审批模拟实验,定量探究AI系统可解释性与用户信任的关系,发现交互性增强参与度和信心,解释清晰度与相关性是信任关键决定因素。
2025-10-17 cs.AI cs.HC
DxHF: Providing High-Quality Human Feedback for LLM Alignment via Interactive Decomposition
Aalto University(阿alto大学);ETH Zürich(苏黎世联邦理工学院);KTH Royal Institute of Technology(皇家理工学院)
本文提出交互式分解界面 DxHF,通过拆解、关联并视觉标注回复论断来降低长文本比较负担,实验显示其平均提升反馈准确率 5%,尤其改善低确定性用户的判断。
2025-07-24 cs.AI cs.HC