[AI学术] SR-Agent：驱动用户体验的电商推荐后排名策略优化框架

摘要

用户体验在工业电商推荐系统中是首要目标。后排名策略在电商推荐中广泛应用，因为其简单且成本低。然而，随着在线推荐环境的不断演变，这些静态配置的策略逐渐变得陈旧，用户体验因此下降。

传统的优化过程依赖人工检查、诊断和更新，效率低下且难以复用。虽然最近的基于大语言模型的代理（如 RecUserSim、SimUSER 和 Self-EvolveRec）提供了有前景的方向，但没有实现完全自动化的自我演进策略优化。

为了解决这一问题，我们引入了 SR-Agent，一种策略优化代理框架，它是首个在工业推荐系统中用于优化后排名策略的框架。SR-Agent 统一了三个核心组件：

1. UserSim 代理：应用分阶段检查技能，发现用户感知的差错案例；
2. 分析代理：将重复出现的差错案例整合为结构化的、可复用的诊断；
3. 约束策略优化工具：将诊断映射到类型和边界明确的行动，并通过四阶段奖励管道进行控制，支持可逆回滚。

SR-Agent 在快手电商平台上部署，持续运行优化循环。在为期一个月的在线 A/B 测试中，订单量提升 0.71%，浏览深度增加 0.34%，点击类别多样性提高 0.48%，同时显著缩短了优化周期并降低了运营成本。

博主点评： SR-Agent 的引入标志着电商推荐系统向自动化和智能化的重大进步，通过将用户体验与策略优化紧密结合，提升了整体效率。这一框架的成功应用不仅有助于提升用户满意度，还能为其他领域的推荐系统提供借鉴。