采样前的证据：推荐隐式负候选的可解释发现

推荐系统从观察到的用户-项目交互中学习，但通常无法获得明确的负面反馈。由于深度学习模型需要训练的负信号，负采样方法通常将选定的未观察到的交互视为负信号。然而，缺失的交互并不能解释为什么用户对某个项目不感兴趣，或者是否有足够的证据将其标记为负面。这在业务推荐中尤其重要，因为负面信号应该是可解释的并与业务目标保持一致。我们制定隐式负面候选发现来识别由观察到的客户行为支持的未观察到的交互。我们将这些模式编码为符号规则，根据支持度、信息性和产品相关性对它们进行评分，并根据证据对保留的规则进行排名。然后，LLM 使用业务目标和领域知识解释保留的规则；这些解释与最终报告中的统计证据相结合。我们在工业 B2B 环境和五个公共推荐数据集中评估我们的方法。工业环境和三个公共数据集中的候选质量评估显示 精度 高于评估的基线，而符号选择比工业任务中每个正例有 4 个负例的随机选择将下游测试 PR-AUC 提高了 12.5%。我们的结果表明，负面候选有效性可以与下游推荐性能分开评估。这种区别使得基于证据、与业务一致且可解释的否定选择成为可能，从而提高了稀疏、倾斜的现实世界推荐设置中的可解释性和模型训练。