44 lines
1.6 KiB
Markdown
44 lines
1.6 KiB
Markdown
---
|
|
title: "溯因推理 (推荐) — Abductive Reasoning in Recommendation"
|
|
created: 2026-06-10
|
|
updated: 2026-06-10
|
|
type: concept
|
|
tags: [reasoning, recommendation, logic, abduction]
|
|
sources: [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
|
|
|
|
1. **用户意图不可观测**：真实兴趣永远隐藏在行为背后
|
|
2. **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
|
|
3. **多因一果**：同一行为可能对应多种兴趣
|
|
4. **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|推荐 CoT]] 应该：
|
|
1. 从历史 [[itemic-tokens|itemic token]] 序列中选择相关行为
|
|
2. 假设潜在兴趣点（溯因跳跃）
|
|
3. 将兴趣压缩为可解释的偏好
|
|
4. 建模兴趣间的时间演化
|
|
5. 用推断的偏好状态来论证推荐
|
|
|
|
## 参考
|
|
|
|
- [[recommendation-reasoning|推荐推理]]
|
|
- [[recommendation-cot|推荐 CoT]]
|
|
- [[perception-cognition-recommendation|感知-认知推荐层次]]
|
|
- [[onereason|OneReason]]
|