深入了解轮播界面：研究多列表推荐系统中的用户参与度与导航工作量

DOI

排名列表是几代推荐系统向用户展示推荐的标配方式。即使在今天，大多数研究仍专注于实现最佳排名，并通过生成排名的质量来评估推荐方法。然而，许多面向用户的推荐系统，尤其是流媒体和电子商务领域，已转向更具交互性和灵活性的基于轮播的界面。这仅仅是为了打造更好看的界面，还是基于轮播的界面因其为用户提供的更好服务而广受欢迎？本文通过三个关键实验比较基于轮播的推荐界面与传统排名列表。首先，使用MovieLens数据集进行用户画像恢复模拟，评估每种界面适应用户 evolving 偏好变化的有效性。结果表明，与排名列表相比，轮播界面支持更快的适应并鼓励更广泛的内容探索。其次，检查导航工作量的模拟表明，轮播界面减少了用户定位相关内容所需的工作量。最后，我们在真实环境中通过大规模用户研究重新检验这些发现，证明轮播界面可以通过支持高效的内容发现和促进与更多样化内容的更广泛参与来增强用户体验。