title, created, updated, type, tags, sources
| title |
created |
updated |
type |
tags |
sources |
| 溯因推理 (推荐) — Abductive Reasoning in Recommendation |
2026-06-10 |
2026-06-10 |
concept |
| reasoning |
| recommendation |
| logic |
| abduction |
|
| raw/papers/onereason-team-onereason-2026.md |
|
溯因推理 (推荐) — Abductive Reasoning
推荐推理的本质是溯因 (Abduction) 而非演绎 (Deduction)——从观察到的行为反推不可观测的用户意图。
溯因 vs 演绎 vs 归纳
| 推理类型 |
模式 |
经典任务 |
| 演绎 (Deduction) |
规则 + 前提 → 必然结论 |
数学证明、代码生成 |
| 归纳 (Induction) |
多个实例 → 一般规则 |
模式识别、分类 |
| 溯因 (Abduction) |
观察结果 → 最可能的原因 |
推荐推理、医疗诊断 |
为什么推荐是溯因推理
- 用户意图不可观测：真实兴趣永远隐藏在行为背后
- 行为是结果，不是原因：点击/观看是兴趣的外显，不是兴趣本身
- 多因一果：同一行为可能对应多种兴趣
- 时序演化：兴趣随时间漂移，历史中混杂了新旧偏好
推荐 CoT 的溯因结构
一个好的 recommendation-cot 应该：
- 从历史 itemic-tokens 序列中选择相关行为
- 假设潜在兴趣点（溯因跳跃）
- 将兴趣压缩为可解释的偏好
- 建模兴趣间的时间演化
- 用推断的偏好状态来论证推荐
参考
