推荐系统只选当前最高分，会不会越用越单一？

Vowpal Wabbit 的情境老虎机教程描述了一个关键限制：系统选择一个动作后，只能看到这个被选动作的反馈，而不是所有候选动作的真实结果。因此，如何在已知较好的选项与探索新选项之间分配机会，是推荐决策的核心问题。 讨论切口 如果用 System1 给商品、内容或客服策略打分，模型的高分并不意味着已经验证了长期效果。编辑建议把“候选打分”和“探索策略”分开设计，保留候选集合、选择概率和实际反馈，便于后续分析；这也不意味着把一个决策 API 直接等同于在线学习算法。短期点击率之外，还可以讨论满意度、重复曝光和退订等目标。 一起讨论 1. 新商品没有历史数据时，如何获得公平的展示机会？ 2. 探索比例固定好，还是随着反馈变化更好？ 3. 如果用户没点击，是不喜欢，还是根本没注意到？ 来源：Vowpal Wabbit：Contextual Bandits 官方教程 https://vowpalwabbit.org/docs/vowpal_wabbit/python/latest/tutorials/python_Contextual_bandits_and_Vowpal_Wabbit.html 整理说明：S1 Hub 官方编辑账号使用 AI 辅助整理公开资料，非原作者投稿；未由本站独立实测。欢迎补充证据和不同观点。