Series A — Algorithmic Observation, Recommendation & Platform Ecology
Paper A02 — Explicit Preference versus Inferred Preference
明示偏好與推測偏好：從「知道」到「願意投入」的多維使用者狀態模型
English Title: Explicit Preference versus Inferred Preference: A Multidimensional User-State Model from Awareness to Willingness to Allocate ResourcesSeries: Algorithmic Observation, Recommendation & Platform EcologyPaper ID: A02Version: v0.1Date: 2026-08-31Status: Canonical UTF-8 SourceAuthor: Neo.K / EveMissLab
Abstract
推薦系統常將點擊、觀看、停留、收藏、追蹤與跳過等行為壓縮為單一或少數 latent preference scores，再據此估計使用者是否「喜歡」某內容。然而，真實使用者狀態並非單一喜好軸。使用者可能知道某項內容但不打算接觸；可能感興趣但目前沒有時間；可能認為內容品質良好但不願投入其所要求的長期資源；可能暫時拒絕某類內容但未永久否定；也可能因社會、工作或研究需求而主動觀看自己並不偏好的資訊。若推薦系統將上述狀態全部折疊為「interest / no-interest」，便會系統性地誤讀使用者意圖。
本文延續 Paper A01 的 Recommendation-as-Observation-Operator framework，提出 Multidimensional Preference-State Model。對使用者 u u u v v v t t t
本文進一步提出 typed explicit preference events、temporal negative preference、semantic precedence 與 preference-provenance separation。核心主張是：明示偏好不應被視為另一個與點擊、停留時間同質的 scalar feature，而應保留其語意類型、時間範圍與使用者意圖。本文並提出可實作的推薦狀態機、事件 schema、評估指標與介面控制，使推薦系統能區分「不喜歡」、「知道但不需要」、「有興趣但現在沒時間」、「只在重大事件時提醒」等現實狀態。
本文的目的不是要求平台永久服從每一個使用者顯式輸入，而是建立一個更合理的推論原則：演算法推測不能在沒有充分反證時，任意覆寫語意更強、來源更清楚的使用者自我陳述。
Keywords: recommender systems; explicit preference; implicit feedback; user intent; awareness; resource constraints; temporal preference; context-aware recommendation; user control; preference provenance
1. Introduction
在許多推薦系統中，使用者偏好被視為一個可由行為資料估計的 latent variable。最簡化的表示是：
p u , v = f ( H u , X v , C t ) , p_{u,v}=f(H_u,X_v,C_t), p u , v = f ( H u , X v , C t ) , 其中 H u H_u H u X v X_v X v C t C_t C t p u , v p_{u,v} p u , v
這種做法在大規模系統中極其有效，但它也帶來一個重要語意損失：
Preference ≠ Interest Only \boxed{
\text{Preference}
\neq
\text{Interest Only}
} Preference = Interest Only 現實中，一個人可能：
知道某款遊戲，甚至承認它可能很好玩，但現在沒有時間投入；
對某個主題有學術興趣，但不希望每天看到娛樂化相關內容；
關注一名創作者，但不代表每一支影片都要立刻觀看；
因工作需要點開某則資訊，卻不希望平台因此永久增加此類推薦；
對某類內容暫時疲乏，但三個月後可能重新有興趣；
明確表示「我知道這個，不用再介紹」，但系統仍因多次曝光而持續推送。
上述狀態如果都被壓縮成：
p u , v ∈ [ 0 , 1 ] , p_{u,v}\in[0,1], p u , v ∈ [ 0 , 1 ] , 便會造成模型語意過度壓縮。
經典 implicit-feedback recommender research 已指出，觀看、購買、播放等隱式資料與 explicit rating 不同；隱式行為通常只能證明某種行為曾發生，不能直接證明其負面或正面偏好含義 [1]。時間動態研究則指出，使用者偏好與 item perception 會隨時間改變 [2]。Context-aware recommender systems 進一步說明，推薦效用依賴特定情境，而不是僅由 user-item pair 固定決定 [3]。
然而，即使納入時間與 context，許多模型仍然把最終目標表示為單一效用、點擊率或偏好分數。本文提出更強的區分：
A w a r e n e s s ≠ I n t e r e s t ≠ I n t e n t ≠ F e a s i b i l i t y ≠ C o m m i t m e n t \boxed{
Awareness
\neq
Interest
\neq
Intent
\neq
Feasibility
\neq
Commitment
} A w a r e n ess = I n t er es t = I n t e n t = F e a s ibi l i t y = C o mmi t m e n t 使用者「認識某內容」與「願意將人生資源投入該內容」不是同一件事。
本文延續 A01 的觀察算子框架，將推薦問題從：
What does the user like? \text{What does the user like?} What does the user like? 擴展為：
What relation does the user currently have to this item, under what constraints, and with what declared intent? \boxed{
\text{What relation does the user currently have to this item, under what constraints, and with what declared intent?}
} What relation does the user currently have to this item, under what constraints, and with what declared intent? 2. From Observation to Preference State
Paper A01 定義：
C t → O u , t ( s ) L u , t ( s ) → finite attention W u , t e x p . \mathcal{C}_t
\xrightarrow{
\mathcal{O}_{u,t}^{(s)}
}
L_{u,t}^{(s)}
\xrightarrow{
\text{finite attention}
}
\mathcal{W}_{u,t}^{\mathrm{exp}}. C t O u , t ( s ) L u , t ( s ) finite attention W u , t exp . 其中 O u , t ( s ) \mathcal{O}_{u,t}^{(s)} O u , t ( s )
A02 關注下一個問題：
當內容已經進入使用者可觀察世界後，平台應如何解釋使用者與該內容之間的關係？
若系統只保存：
I n t e r a c t i o n ( u , v , t ) ∈ { 0 , 1 } , Interaction(u,v,t)\in\{0,1\}, I n t er a c t i o n ( u , v , t ) ∈ { 0 , 1 } , 或單一：
P r e f e r e n c e S c o r e ( u , v , t ) , PreferenceScore(u,v,t), P r e f er e n ce S cor e ( u , v , t ) , 則不同原因造成的相同行為會被混合。
例如兩個使用者都觀看了某影片 20 20 20
W a t c h T i m e ( u 1 , v ) = W a t c h T i m e ( u 2 , v ) = 20 s . WatchTime(u_1,v)=WatchTime(u_2,v)=20s. W a t c h T im e ( u 1 , v ) = W a t c h T im e ( u 2 , v ) = 20 s . 但可能：
u 1 : 主動搜尋後觀看 , u_1:
\text{主動搜尋後觀看}, u 1 : 主動搜尋後觀看 , 而：
u 2 : 自動播放後沒有立即滑走 . u_2:
\text{自動播放後沒有立即滑走}. u 2 : 自動播放後沒有立即滑走 . 兩者在行為值上相同，但在 preference semantics 上完全不同。
因此，A02 將 preference estimation 建立在 typed state 與 event provenance 上，而不是直接由 raw interaction 映射到單一偏好分數。
3. Related Work
3.1 Explicit and implicit feedback
Hu、Koren 與 Volinsky 的經典 implicit-feedback collaborative filtering 工作指出，隱式資料與 explicit ratings 存在根本差異。使用者行為可表示 preference indication 與 confidence，但「沒有行為」不能直接視為負面偏好 [1]。
本文沿用這個基本洞見，但進一步主張：
Observed Action ≠ Preference State . \text{Observed Action}
\neq
\text{Preference State}. Observed Action = Preference State . 即使有行為，也可能存在多種不同的語意來源。
3.2 Temporal dynamics
Koren 的 temporal dynamics 工作指出，使用者偏好、item popularity 與 perception 都可能隨時間變化，因此靜態 user-item model 會忽略重要漂移 [2]。
本文接受：
P u , v = P u , v ( t ) , P_{u,v}=P_{u,v}(t), P u , v = P u , v ( t ) , 並再加入：
D e c l a r a t i o n u , v = D e c l a r a t i o n u , v ( t , Δ t ) , Declaration_{u,v}
=
Declaration_{u,v}(t,\Delta t), D ec l a r a t i o n u , v = D ec l a r a t i o n u , v ( t , Δ t ) , 亦即使用者的顯式拒絕、延後或暫停，也應具有有效時間區間。
3.3 Context-aware recommendation
Context-aware recommender systems 將 recommendation function 從：
R : U s e r × I t e m → R a t i n g R:User\times Item\rightarrow Rating R : U ser × I t e m → R a t in g 擴展為：
R : U s e r × I t e m × C o n t e x t → R a t i n g . R:User\times Item\times Context\rightarrow Rating. R : U ser × I t e m × C o n t e x t → R a t in g . 這使地點、時間、社會情境、活動狀態等資訊可以影響推薦 [3]。
本文認為 resource feasibility 應被明確視為一類重要 context：
C o n t e x t ⊃ { T i m e B u d g e t , A t t e n t i o n B u d g e t , M o n e y B u d g e t , C o m m i t m e n t C a p a c i t y } . Context
\supset
\{
TimeBudget,
AttentionBudget,
MoneyBudget,
CommitmentCapacity
\}. C o n t e x t ⊃ { T im e B u d g e t , A tt e n t i o n B u d g e t , M o n ey B u d g e t , C o mmi t m e n tC a p a c i t y } . 3.4 User-controllable personalization
SetFusion 等工作顯示，推薦系統可以讓使用者直接控制不同推薦來源的融合與過濾，而不必完全依賴不可見的自動模型 [4]。
本文將 controllability 從「調整推薦來源」推進到「允許使用者聲明 preference-state semantics」。
4. Multidimensional Preference-State Model
4.1 State vector
對使用者 u u u v v v t t t
z u , v , t = ( a , i , n , f , r , τ , d ) . \mathbf{z}_{u,v,t}
=
(
a,
i,
n,
f,
r,
\tau,
d
). z u , v , t = ( a , i , n , f , r , τ , d ) . 其中：
a = A w a r ( u , v , t ) ∈ [ 0 , 1 ] a=Awar(u,v,t)\in[0,1] a = A w a r ( u , v , t ) ∈ [ 0 , 1 ] 表示 awareness：使用者對內容的認識程度。
i = I n t r ( u , v , t ) ∈ [ − 1 , 1 ] i=Intr(u,v,t)\in[-1,1] i = I n t r ( u , v , t ) ∈ [ − 1 , 1 ] 表示 intrinsic interest：使用者對內容本身的內在興趣。
n = I n t e n t ( u , v , t ) ∈ [ − 1 , 1 ] n=Intent(u,v,t)\in[-1,1] n = I n t e n t ( u , v , t ) ∈ [ − 1 , 1 ] 表示當下 consumption intent：使用者目前是否有意願接觸。
f = F e a s ( u , v , t ) ∈ [ 0 , 1 ] f=Feas(u,v,t)\in[0,1] f = F e a s ( u , v , t ) ∈ [ 0 , 1 ] 表示 resource feasibility：目前是否有足夠時間、金錢、注意力與承諾能力。
r = R e l ( u , v , t ) ∈ [ 0 , 1 ] r=Rel(u,v,t)\in[0,1] r = R e l ( u , v , t ) ∈ [ 0 , 1 ] 表示 contextual relevance：內容對目前任務或生活情境是否相關。
τ = H o r i z o n ( u , v , t ) \tau=Horizon(u,v,t) τ = H or i z o n ( u , v , t ) 表示時間有效範圍或 preference horizon。
d = D e c l ( u , v , t ) d=Decl(u,v,t) d = D ec l ( u , v , t ) 表示明示宣告狀態與其語意類型。
此時推薦效用不再直接等於 intrinsic interest，而可表示為：
U u , v , t = g ( i , n , f , r , d , C o p p o r t u n i t y ) . U_{u,v,t}
=
g(
i,
n,
f,
r,
d,
C_{\mathrm{opportunity}}
). U u , v , t = g ( i , n , f , r , d , C opportunity ) . 其中：
C o p p o r t u n i t y C_{\mathrm{opportunity}} C opportunity 是使用者將有限資源投入內容 v v v
5. Awareness Is Not Interest
平台最容易犯的一種錯，是將 familiarity 或 repeated recognition 解釋為 interest。
定義：
a u , v , t ≈ 1 a_{u,v,t}\approx1 a u , v , t ≈ 1 只表示使用者很清楚 v v v
但可能同時存在：
i u , v , t ≥ 0 i_{u,v,t}\geq0 i u , v , t ≥ 0 以及：
n u , v , t ≈ 0. n_{u,v,t}\approx0. n u , v , t ≈ 0. 例如使用者可能完全了解某款大型線上遊戲，也不認為遊戲品質差，但由於目前工作與研究優先度較高，因此沒有進入該遊戲生態的意圖。
此時：
A w a r = 1 , Awar=1, A w a r = 1 , I n t r > 0 , Intr>0, I n t r > 0 , I n t e n t ≈ 0. Intent\approx0. I n t e n t ≈ 0. 若系統將：
R e c o g n i t i o n → L o n g e r D w e l l → I n t e r e s t Recognition
\rightarrow
LongerDwell
\rightarrow
Interest R eco g ni t i o n → L o n g er D w e l l → I n t er es t 直接串接，便可能產生 Recognition Feedback Loop。
因此本文提出：
Proposition 1 — Awareness-Preference Non-Identity
A w a r ( u , v , t ) ≢ I n t r ( u , v , t ) \boxed{
Awar(u,v,t)
\not\equiv
Intr(u,v,t)
} A w a r ( u , v , t ) ≡ I n t r ( u , v , t ) 即使：
A w a r ( u , v , t ) → 1 , Awar(u,v,t)\rightarrow1, A w a r ( u , v , t ) → 1 , 仍不能推出：
I n t r ( u , v , t ) → 1. Intr(u,v,t)\rightarrow1. I n t r ( u , v , t ) → 1. 6. Interest Is Not Consumption Intent
使用者可能對內容感興趣，但不希望現在消費它。
因此：
I n t r ( u , v , t ) > 0 Intr(u,v,t)>0 I n t r ( u , v , t ) > 0 不推出：
I n t e n t ( u , v , t ) > 0. Intent(u,v,t)>0. I n t e n t ( u , v , t ) > 0. 這可以發生於：
想看的長篇影集，但目前沒有時間；
想玩的遊戲，但不希望投入數百小時；
有興趣的課程，但目前已有其他學習任務；
對某 AI 技術有興趣，但今天只想追重大更新；
對旅遊目的地有興趣，但未來一年沒有旅行計畫。
推薦系統如果只看到 positive semantic similarity，容易反覆提示這些內容，反而增加：
C a t t e n t i o n . C_{\mathrm{attention}}. C attention . 此時真正的即時效用可能是：
U u , v , t = V u , v , t − C a t t e n t i o n − C t i m e − C o p p o r t u n i t y . U_{u,v,t}
=
V_{u,v,t}
-
C_{\mathrm{attention}}
-
C_{\mathrm{time}}
-
C_{\mathrm{opportunity}}. U u , v , t = V u , v , t − C attention − C time − C opportunity . 即使：
V u , v , t > 0 , V_{u,v,t}>0, V u , v , t > 0 , 也可能因：
C o p p o r t u n i t y ≫ V u , v , t C_{\mathrm{opportunity}}\gg V_{u,v,t} C opportunity ≫ V u , v , t 而得到：
U u , v , t < 0. U_{u,v,t}<0. U u , v , t < 0. 因此：
Proposition 2 — Interest-Intent Separation
I n t r ( u , v , t ) ≠ I n t e n t ( u , v , t ) \boxed{
Intr(u,v,t)
\neq
Intent(u,v,t)
} I n t r ( u , v , t ) = I n t e n t ( u , v , t ) 推薦系統應能表示：
I n t r > 0 ∧ I n t e n t ≤ 0. Intr>0
\land
Intent\leq0. I n t r > 0 ∧ I n t e n t ≤ 0. 7. Interested-but-Resource-Constrained
本文定義：
I R C ( u , v , t ) = 1 \boxed{
IRC(u,v,t)=1
} I R C ( u , v , t ) = 1 若且唯若：
I n t r ( u , v , t ) > 0 , Intr(u,v,t)>0, I n t r ( u , v , t ) > 0 , I n t e n t ( u , v , t ) ≥ 0 , Intent(u,v,t)\geq0, I n t e n t ( u , v , t ) ≥ 0 , 但：
F e a s ( u , v , t ) < θ f . Feas(u,v,t)<\theta_f. F e a s ( u , v , t ) < θ f . 其中 θ f \theta_f θ f
IRC 表示：
我可能喜歡，也可能想做，但現在沒有足夠資源。
resource 可以包含：
B u , t = ( B t i m e , B a t t e n t i o n , B m o n e y , B c o m m i t m e n t ) . B_{u,t}
=
(
B_{\mathrm{time}},
B_{\mathrm{attention}},
B_{\mathrm{money}},
B_{\mathrm{commitment}}
). B u , t = ( B time , B attention , B money , B commitment ) . 內容要求的資源為：
R v = ( R t i m e , R a t t e n t i o n , R m o n e y , R c o m m i t m e n t ) . R_v
=
(
R_{\mathrm{time}},
R_{\mathrm{attention}},
R_{\mathrm{money}},
R_{\mathrm{commitment}}
). R v = ( R time , R attention , R money , R commitment ) . 可定義：
F e a s ( u , v , t ) = ϕ ( B u , t , R v ) . Feas(u,v,t)
=
\phi(
B_{u,t},
R_v
). F e a s ( u , v , t ) = ϕ ( B u , t , R v ) . 當：
R v ≰ B u , t , R_v\nleq B_{u,t}, R v ≰ B u , t , 即使 intrinsic interest 很高，也不代表現在應該提高推薦頻率。
這個狀態對長週期遊戲、課程、長篇影集、旅行、訂閱服務與高認知成本內容尤其重要。
8. Known-but-Declined
本文定義另一個核心狀態：
K B D ( u , v , t ) = 1 \boxed{
KBD(u,v,t)=1
} K B D ( u , v , t ) = 1 若：
A w a r ( u , v , t ) ≥ θ a Awar(u,v,t)\geq\theta_a A w a r ( u , v , t ) ≥ θ a 且使用者存在明確 declaration：
D e c l ( u , v , t ) = KNOWN_DECLINED . Decl(u,v,t)
=
\text{KNOWN\_DECLINED}. D ec l ( u , v , t ) = KNOWN_DECLINED . 其語意為：
我已經充分知道這個內容／產品／主題，目前不需要繼續向我介紹或促銷。
KBD 不等同於 dislike：
K B D ≠ D i s l i k e . KBD
\neq
Dislike. K B D = D i s l ik e . 可能同時成立：
I n t r ( u , v , t ) ≥ 0 , Intr(u,v,t)\geq0, I n t r ( u , v , t ) ≥ 0 , 但：
I n t e n t ( u , v , t ) < 0. Intent(u,v,t)<0. I n t e n t ( u , v , t ) < 0. 此時系統應降低重複「發現型」推薦，而不是將使用者永久標記為討厭此類內容。
8.1 Temporary KBD
若使用者選擇：
三個月內不要推。
則：
K B D ( u , v , [ t 0 , t 1 ] ) = 1. KBD(u,v,[t_0,t_1])=1. K B D ( u , v , [ t 0 , t 1 ]) = 1. 在 t 1 t_1 t 1
8.2 Event-sensitive KBD
使用者也可能表示：
平時不要推，重大更新時再提醒。
可定義：
K B D = 1 KBD=1 K B D = 1 但：
O v e r r i d e ( e ) = 1 Override(e)=1 O v er r i d e ( e ) = 1 若：
I m p o r t a n c e ( e ) ≥ θ I . Importance(e)\geq\theta_I. I m p or t an ce ( e ) ≥ θ I . 因此 KBD 不是 simple blacklist，而是 typed observation policy。
9. Explicit Preference as Typed Assertions
傳統推薦常把 explicit signal 壓縮為：
x ∈ { − 1 , 0 , + 1 } . x\in\{-1,0,+1\}. x ∈ { − 1 , 0 , + 1 } . 本文主張明示偏好應至少保存：
σ = ( t y p e , t a r g e t , s c o p e , s t r e n g t h , s t a r t , e x p i r y , p r o v e n a n c e ) . \sigma
=
(
type,
target,
scope,
strength,
start,
expiry,
provenance
). σ = ( t y p e , t a r g e t , sco p e , s t r e n g t h , s t a r t , e x p i r y , p r o v e nan ce ) . 其中 type 可以是：
Σ = { L I K E , D I S L I K E , F O L L O W , S A V E , M O R E , L E S S , S N O O Z E , K N O W N _ D E C L I N E D , I N T E R E S T E D _ L A T E R , M A J O R _ O N L Y , B L O C K } . \Sigma=
\{
LIKE,
DISLIKE,
FOLLOW,
SAVE,
MORE,
LESS,
SNOOZE,
KNOWN\_DECLINED,
INTERESTED\_LATER,
MAJOR\_ONLY,
BLOCK
\}. Σ = { L I K E , D I S L I K E , F O LL O W , S A V E , M O R E , L E S S , S N O O Z E , K N O W N _ D E C L I N E D , I N T E R E S T E D _ L A T E R , M A J O R _ O N L Y , B L O C K } . target 可以作用於：
{ i t e m , c r e a t o r , t o p i c , p r o d u c t , e n t i t y , f o r m a t } . \{
item,
creator,
topic,
product,
entity,
format
\}. { i t e m , cr e a t or , t o p i c , p r o d u c t , e n t i t y , f or ma t } . scope 可以是：
{ l o c a l , s u r f a c e , g l o b a l } . \{
local,
surface,
global
\}. { l oc a l , s u r f a ce , g l o ba l } . 例如：
少推某遊戲實況，但重大新聞仍可出現。
和：
永久不要推薦某創作者。
不能映射成同一個：
n e g a t i v e _ w e i g h t = − 1. negative\_weight=-1. n e g a t i v e _ w e i g h t = − 1. 10. Semantic Precedence
本文提出 Semantic Precedence Principle：
當明示宣告與演算法推測衝突時，系統應依語意強度、時間有效性、目標範圍與反證品質決定是否覆寫，而不是簡單讓大量弱隱式訊號淹沒少量明示訊號。
定義證據集合：
E u , v , t = E e x p l i c i t ∪ E i m p l i c i t . \mathcal{E}_{u,v,t}
=
\mathcal{E}^{explicit}
\cup
\mathcal{E}^{implicit}. E u , v , t = E e x pl i c i t ∪ E im pl i c i t . 每個證據 e e e
w ( e ) = f ( s e m a n t i c _ s p e c i f i c i t y , p r o v e n a n c e , r e c e n c y , i n t e n t i o n a l i t y , r e l i a b i l i t y ) . w(e)
=
f(
semantic\_specificity,
provenance,
recency,
intentionality,
reliability
). w ( e ) = f ( se man t i c _ s p ec i f i c i t y , p r o v e nan ce , r ece n cy , in t e n t i o na l i t y , r e l iabi l i t y ) . 一般情況下，可要求：
w ( explicit typed declaration ) > w ( passive exposure ) . w(
\text{explicit typed declaration}
)
>
w(
\text{passive exposure}
). w ( explicit typed declaration ) > w ( passive exposure ) . 這不是說：
E x p l i c i t S i g n a l = A b s o l u t e T r u t h . Explicit\ Signal
=
Absolute\ Truth. E x pl i c i t S i g na l = A b so l u t e T r u t h . 例如使用者兩年前說「不喜歡」，之後可能已經改變。
因此真正原則是：
Explicit Semantic Evidence > Weak Ambiguous Behavioral Evidence \boxed{
\text{Explicit Semantic Evidence}
>
\text{Weak Ambiguous Behavioral Evidence}
} Explicit Semantic Evidence > Weak Ambiguous Behavioral Evidence 在其他條件相近時成立。
11. Preference Provenance
每一個 preference update 都應能追溯：
p u , v , t ← { e 1 , e 2 , … , e k } . p_{u,v,t}
\leftarrow
\{
e_1,e_2,\ldots,e_k
\}. p u , v , t ← { e 1 , e 2 , … , e k } . 事件可使用：
e i = ( s u r f a c e , r a n k , t r i g g e r , a u t o p l a y , q u e r y , d u r a t i o n , a c t i o n , t i m e s t a m p ) . e_i
=
(
surface,
rank,
trigger,
autoplay,
query,
duration,
action,
timestamp
). e i = ( s u r f a ce , r ank , t r i g g er , a u t o pl a y , q u er y , d u r a t i o n , a c t i o n , t im es t am p ) . 例如：
e 1 : Search → Click → 120 s e_1:
\text{Search}\rightarrow\text{Click}\rightarrow120s e 1 : Search → Click → 120 s 與：
e 2 : Autoplay → 20 s e_2:
\text{Autoplay}\rightarrow20s e 2 : Autoplay → 20 s 不應有相同 intentionality weight。
定義：
I n t W e i g h t ( e ) ∈ [ 0 , 1 ] . IntWeight(e)
\in[0,1]. I n t W e i g h t ( e ) ∈ [ 0 , 1 ] . 則 preference evidence contribution 可以表示為：
Δ p ( e ) = h ( a c t i o n , d u r a t i o n , I n t W e i g h t , s u r f a c e , c o n t e x t ) . \Delta p(e)
=
h(
action,
duration,
IntWeight,
surface,
context
). Δ p ( e ) = h ( a c t i o n , d u r a t i o n , I n t W e i g h t , s u r f a ce , co n t e x t ) . 這一層將直接銜接 A03 的 Passive Exposure and Endogenous Preference Contamination。
12. Temporal Preference Semantics
「不想看」至少包含：
D 1 = not now , D 2 = not recently , D 3 = not unless major , D 4 = not this format , D 5 = not this creator , D 6 = not this topic , D 7 = never . \begin{aligned}
D_1&=\text{not now},\\
D_2&=\text{not recently},\\
D_3&=\text{not unless major},\\
D_4&=\text{not this format},\\
D_5&=\text{not this creator},\\
D_6&=\text{not this topic},\\
D_7&=\text{never}.
\end{aligned} D 1 D 2 D 3 D 4 D 5 D 6 D 7 = not now , = not recently , = not unless major , = not this format , = not this creator , = not this topic , = never . 因此 negative preference 不應只有：
N e g ( u , v ) ∈ { 0 , 1 } . Neg(u,v)\in\{0,1\}. N e g ( u , v ) ∈ { 0 , 1 } . 可以定義：
N e g ( u , v , t ) = ( s c o p e , s t r e n g t h , e x p i r y , e x c e p t i o n ) . Neg(u,v,t)
=
(
scope,
strength,
expiry,
exception
). N e g ( u , v , t ) = ( sco p e , s t r e n g t h , e x p i r y , e x ce pt i o n ) . 例如 temporary suppression：
λ n e g ( t ) = λ 0 e − μ ( t − t 0 ) . \lambda_{neg}(t)
=
\lambda_0
e^{-\mu(t-t_0)}. λ n e g ( t ) = λ 0 e − μ ( t − t 0 ) . 或 hard expiry：
λ n e g ( t ) = { λ 0 , t ≤ t 1 , 0 , t > t 1 . \lambda_{neg}(t)=
\begin{cases}
\lambda_0,&t\leq t_1,\\
0,&t>t_1.
\end{cases} λ n e g ( t ) = { λ 0 , 0 , t ≤ t 1 , t > t 1 . 這使系統能尊重「現在不要」而不將其誤解成「永遠討厭」。
13. Recommendation under Resource Constraints
令當下可分配注意力為：
B u ( t ) . B_u(t). B u ( t ) . 內容集合的成本為：
c ( v ) . c(v). c ( v ) . 傳統推薦可能求：
max ∑ v x v p ^ u , v , \max
\sum_v
x_v
\hat{p}_{u,v}, max v ∑ x v p ^ u , v , 但更合理的模型是：
max ∑ v x v U u , v , t \max
\sum_v
x_v
U_{u,v,t} max v ∑ x v U u , v , t subject to:
∑ v x v c ( v ) ≤ B u ( t ) . \sum_v
x_vc(v)
\leq
B_u(t). v ∑ x v c ( v ) ≤ B u ( t ) . 這把推薦問題從：
highest predicted interest \text{highest predicted interest} highest predicted interest 改為：
highest feasible utility under finite user resources \boxed{
\text{highest feasible utility under finite user resources}
} highest feasible utility under finite user resources 這對資訊平台尤其重要。
一則兩分鐘新聞與一款要求長期登入、課金與社群參與的遊戲，都可能被歸類為「使用者感興趣的娛樂／科技內容」，但其 resource footprint 完全不同。
14. State Transitions
Preference state 應被理解為動態狀態機。
例如：
U N K N O W N → A W A R E → I N T E R E S T E D → I N T E N T → A C T I V E . UNKNOWN
\rightarrow
AWARE
\rightarrow
INTERESTED
\rightarrow
INTENT
\rightarrow
ACTIVE. U N K N O W N → A W A R E → I N T E R E S T E D → I N T E N T → A C T I V E . 但也可能：
A W A R E → K N O W N _ D E C L I N E D . AWARE
\rightarrow
KNOWN\_DECLINED. A W A R E → K N O W N _ D E C L I N E D . 或者：
I N T E R E S T E D → I R C . INTERESTED
\rightarrow
IRC. I N T E R E S T E D → I R C . 以及：
I R C → A C T I V E IRC
\rightarrow
ACTIVE I R C → A C T I V E 當：
F e a s ( u , v , t ) ↑ . Feas(u,v,t)\uparrow. F e a s ( u , v , t ) ↑ . KBD 也可以：
K B D → R E C O N S I D E R KBD
\rightarrow
RECONSIDER K B D → R E C O N S I D E R 若：
t > e x p i r y t>expiry t > e x p i r y 或重大事件：
I m p o r t a n c e ( e ) ≥ θ I . Importance(e)\geq\theta_I. I m p or t an ce ( e ) ≥ θ I . 因此，推薦系統真正要預測的不一定是：
P ( c l i c k ) , P(click), P ( c l i c k ) , 而可能是：
P ( s t a t e t + 1 ∣ s t a t e t , e v e n t t , c o n t e x t t ) . P(
state_{t+1}
\mid
state_t,
event_t,
context_t
). P ( s t a t e t + 1 ∣ s t a t e t , e v e n t t , co n t e x t t ) . 15. Interface Design
使用者不需要看到完整數學模型。
介面可以只提供少數高語意操作：
我不喜歡這個 我知道這個，暫時不用推 有興趣，但最近沒時間 只提醒重大更新 少推這個主題 不要推薦這個創作者 以後再提醒我
這些按鈕映射到 typed declarations，而不是只產生同一個 negative_feedback。
例如：
「有興趣，但最近沒時間」 → I N T E R E S T E D _ L A T E R \text{「有興趣，但最近沒時間」}
\rightarrow
INTERESTED\_LATER 「有興趣，但最近沒時間」 → I N T E R E S T E D _ L A T E R 並設定：
e x p i r y = t + Δ t . expiry=t+\Delta t. e x p i r y = t + Δ t . 「只提醒重大更新」：
M A J O R _ O N L Y MAJOR\_ONLY M A J O R _ O N L Y 配合：
I m p o r t a n c e T h r e s h o l d . ImportanceThreshold. I m p or t an ce T h r es h o l d . 如此可在不增加太高 UI 複雜度的前提下，大幅提高 preference semantics。
16. Evaluation Metrics
16.1 Explicit Override Violation Rate
對有效 explicit declaration：
E O V R = N v i o l a t i n g r e c o m m e n d a t i o n s N a p p l i c a b l e r e c o m m e n d a t i o n o p p o r t u n i t i e s . EOVR
=
\frac{
N_{\mathrm{violating\ recommendations}}
}{
N_{\mathrm{applicable\ recommendation\ opportunities}}
}. E O V R = N applicable recommendation opportunities N violating recommendations . 例如使用者選擇三十天「暫時不要」，系統在此期間仍高頻推薦，即構成 violation。
16.2 Known-but-Declined Recurrence
K B D R = N K B D t a r g e t r e − e x p o s u r e s N s e s s i o n s . KBDR
=
\frac{
N_{\mathrm{KBD\ target\ re-exposures}}
}{
N_{\mathrm{sessions}}
}. K B D R = N sessions N KBD target re − exposures . 用來衡量系統是否不停重新介紹已明確拒絕的內容。
16.3 Resource-Mismatch Rate
若能估計內容成本 c ( v ) c(v) c ( v )
R M R = P ( c ( v ) > B u ( t ) ∣ v ∈ R e c o m m e n d a t i o n ) . RMR
=
P(
c(v)>B_u(t)
\mid
v\in Recommendation
). R M R = P ( c ( v ) > B u ( t ) ∣ v ∈ R eco mm e n d a t i o n ) . 16.4 Semantic Misclassification Rate
透過問卷或後驗標註，把系統判定的 interest 與使用者實際狀態比較：
S M R = P ( S t a t e ^ u , v ≠ S t a t e u , v d e c l a r e d ) . SMR
=
P(
\hat{State}_{u,v}
\neq
State^{declared}_{u,v}
). S M R = P ( S t a t e ^ u , v = S t a t e u , v d ec l a r e d ) . 16.5 Intentionality-Weighted Learning Error
對偏好更新：
I W L E = ∑ e ∣ Δ p ^ ( e ) − Δ p ∗ ( e ) ∣ ⋅ ( 1 − I n t W e i g h t ( e ) ) . IWLE
=
\sum_e
|
\Delta\hat{p}(e)
-
\Delta p^*(e)
|
\cdot
(1-IntWeight(e)). I W L E = e ∑ ∣Δ p ^ ( e ) − Δ p ∗ ( e ) ∣ ⋅ ( 1 − I n t W e i g h t ( e )) . 若大量低 intentionality event 對模型造成過大更新，則 IWLE 上升。
17. Implications for Platform Design
17.1 More data does not guarantee better preference inference
若新增資料主要來自：
passive exposure , \text{passive exposure}, passive exposure , 則：
D a t a V o l u m e ↑ DataVolume\uparrow D a t aV o l u m e ↑ 不代表：
P r e f e r e n c e K n o w l e d g e ↑ . PreferenceKnowledge\uparrow. P r e f er e n ceK n o w l e d g e ↑ . 相反地，如果 event semantics 不清楚：
D a t a V o l u m e ↑ ⇒ S e m a n t i c N o i s e ↑ . DataVolume\uparrow
\Rightarrow
SemanticNoise\uparrow. D a t aV o l u m e ↑⇒ S e man t i c N o i se ↑ . 17.2 Explicit user declarations are high-value labels
使用者主動點選：
暫時不要推這個。
本質上是一個高成本、低歧義 label。
若系統讓數十次被動曝光的弱訊號蓋掉這個 label，等同於丟棄高品質 supervision。
17.3 Recommendation should optimize user allocation, not only platform consumption
若平台只最大化：
W a t c h T i m e , WatchTime, W a t c h T im e , 可能傾向推薦：
h i g h e n g a g e m e n t + h i g h c o m m i t m e n t high\ engagement
+
high\ commitment hi g h e n g a g e m e n t + hi g h co mmi t m e n t 內容。
但使用者真正需要的是在有限人生資源下做配置。
因此長期推薦品質更接近：
Q r e c = f ( R e l e v a n c e , I n t e n t A l i g n m e n t , R e s o u r c e F i t , A g e n c y , S a t i s f a c t i o n ) . Q_{\mathrm{rec}}
=
f(
Relevance,
IntentAlignment,
ResourceFit,
Agency,
Satisfaction
). Q rec = f ( R e l e v an ce , I n t e n t A l i g nm e n t , R eso u r ce F i t , A g e n cy , S a t i s f a c t i o n ) . 17.4 User agency can reduce model uncertainty
允許 typed declarations 不只是倫理或 UX 選擇，也能直接降低 latent-state ambiguity。
如果系統原本需要從：
50 50 50 次弱行為推測「使用者是不是暫時沒時間」，
而使用者可以直接聲明：
I N T E R E S T E D _ L A T E R , INTERESTED\_LATER, I N T E R E S T E D _ L A T E R , 則 posterior uncertainty 可以迅速下降。
18. Example Scenarios
18.1 Game recommendation
使用者知道遊戲 g g g
A w a r ( u , g , t ) = 1 , Awar(u,g,t)=1, A w a r ( u , g , t ) = 1 , I n t r ( u , g , t ) = 0.4. Intr(u,g,t)=0.4. I n t r ( u , g , t ) = 0.4. 但大型長期服務型遊戲需要：
R g t i m e ≫ B u t i m e . R_g^{time}\gg B_u^{time}. R g t im e ≫ B u t im e . 因此：
F e a s ( u , g , t ) ≪ 1. Feas(u,g,t)\ll1. F e a s ( u , g , t ) ≪ 1. 若使用者宣告：
I N T E R E S T E D _ L A T E R , INTERESTED\_LATER, I N T E R E S T E D _ L A T E R , 系統不應持續以「你可能喜歡」作為高頻推薦理由。
18.2 Professional information monitoring
使用者對 AI 產業新聞有高工作相關性：
R e l ( u , A I , t ) ≈ 1. Rel(u,AI,t)\approx1. R e l ( u , A I , t ) ≈ 1. 即使某些新聞本身娛樂性低：
I n t r ( u , v , t ) ≈ 0 , Intr(u,v,t)\approx0, I n t r ( u , v , t ) ≈ 0 , 仍可能有：
I n t e n t ( u , v , t ) > 0 Intent(u,v,t)>0 I n t e n t ( u , v , t ) > 0 因為它屬於必要資訊。
因此：
I n t e r e s t ≠ P r o f e s s i o n a l R e l e v a n c e . Interest
\neq
ProfessionalRelevance. I n t er es t = P r o f ess i o na l R e l e v an ce . 18.3 Entertainment fatigue
使用者過去大量觀看某類影片，但現在選擇：
S N O O Z E ( t o p i c , 30 d a y s ) . SNOOZE(topic,30days). S N O O Z E ( t o p i c , 30 d a y s ) . 若模型仍以歷史 watch time 高為由維持原推薦：
H u ≫ D e c l a r a t i o n u , H_u
\gg
Declaration_u, H u ≫ D ec l a r a t i o n u , 就會造成 stale-preference persistence。
18.4 Major-event exception
使用者對某產品設定：
M A J O R _ O N L Y . MAJOR\_ONLY. M A J O R _ O N L Y . 一般內容：
S c o r e ( v ) → − ∞ Score(v)\rightarrow-\infty S cor e ( v ) → − ∞ 或顯著抑制。
但若：
I m p o r t a n c e ( v ) ≥ θ I , Importance(v)\geq\theta_I, I m p or t an ce ( v ) ≥ θ I , 則可通過 exception gate。
19. Relation to Paper A01
A01 的問題是：
What can the user observe? \text{What can the user observe?} What can the user observe? A02 的問題是：
How should the system interpret the user’s relation to what was observed? \text{How should the system interpret the user's relation to what was observed?} How should the system interpret the user’s relation to what was observed? 兩篇組合後：
C t → O L u , t → I n t e r a c t i o n E u , t → P z u , v , t , \mathcal{C}_t
\xrightarrow{
\mathcal{O}
}
L_{u,t}
\xrightarrow{
Interaction
}
\mathcal{E}_{u,t}
\xrightarrow{
\mathcal{P}
}
\mathbf{z}_{u,v,t}, C t O L u , t I n t er a c t i o n E u , t P z u , v , t , 其中：
P \mathcal{P} P 是 preference-state inference operator。
因此完整鏈條不是：
R e c o m m e n d a t i o n → C l i c k → I n t e r e s t S c o r e , Recommendation
\rightarrow
Click
\rightarrow
InterestScore, R eco mm e n d a t i o n → C l i c k → I n t er es tS cor e , 而是：
Observation → Provenanced Interaction → Typed Preference State → Next Observation \boxed{
\text{Observation}
\rightarrow
\text{Provenanced Interaction}
\rightarrow
\text{Typed Preference State}
\rightarrow
\text{Next Observation}
} Observation → Provenanced Interaction → Typed Preference State → Next Observation 這也為 A03 建立直接入口：如果第一階段 observation 本身產生被動播放，再被誤認為 high-intent interaction，則 preference-state inference 會被 endogenous contamination 污染。
20. Limitations
第一，本文提出的 state vector 是理論與工程抽象，不主張所有維度都能在現實產品中被精確觀測。
第二，使用者自我陳述也可能不一致、過時、誤觸或受到 framing 影響，因此 explicit preference 不應被視為不可撤銷真理。
第三，更多控制選項可能增加 UI 與決策負擔，因此實作時需要 progressive disclosure，而不是一次暴露所有 preference dimensions。
第四，resource feasibility 涉及私密與敏感資訊時，系統不應要求使用者提供不必要的個人資料；大量狀態可以由本地設定、粗粒度模式或明示操作表達。
第五，本文尚未處理 platform objective 與 user objective 之間的多方利益衝突。這將在 A05 與 A06 進一步討論。
21. Conclusion
本文提出 Multidimensional Preference-State Model，主張推薦系統不應將使用者與內容的關係壓縮為單一「喜歡程度」。
核心區分為：
A w a r e n e s s ≠ I n t e r e s t ≠ I n t e n t ≠ F e a s i b i l i t y ≠ C o m m i t m e n t \boxed{
Awareness
\neq
Interest
\neq
Intent
\neq
Feasibility
\neq
Commitment
} A w a r e n ess = I n t er es t = I n t e n t = F e a s ibi l i t y = C o mmi t m e n t 並正式定義：
K B D = Known-but-Declined \boxed{
KBD=\text{Known-but-Declined}
} K B D = Known-but-Declined 以及：
I R C = Interested-but-Resource-Constrained \boxed{
IRC=\text{Interested-but-Resource-Constrained}
} I R C = Interested-but-Resource-Constrained 由此得到一個更完整的推薦表示：
z u , v , t = ( A w a r , I n t r , I n t e n t , F e a s , R e l , H o r i z o n , D e c l ) . \mathbf{z}_{u,v,t}
=
(
Awar,
Intr,
Intent,
Feas,
Rel,
Horizon,
Decl
). z u , v , t = ( A w a r , I n t r , I n t e n t , F e a s , R e l , H or i z o n , D ec l ) . 因此真正的推薦問題不應只是：
max P ( c l i c k ∣ u , v ) , \max P(click\mid u,v), max P ( c l i c k ∣ u , v ) , 而應逐漸逼近：
max U ( v ∣ u s e r s t a t e , d e c l a r e d i n t e n t , c o n t e x t , r e s o u r c e c o n s t r a i n t s ) \boxed{
\max
U(
v
\mid
user\ state,
declared\ intent,
context,
resource\ constraints
)
} max U ( v ∣ u ser s t a t e , d ec l a r e d in t e n t , co n t e x t , r eso u r ce co n s t r ain t s ) 同時保留 interaction provenance，使系統知道某個 preference update 是來自搜尋、主動點擊、關注、被動曝光、自動播放或明示聲明。
最重要的工程原則可以濃縮為：
Explicit semantic declaration > weak ambiguous implicit evidence \boxed{
\text{Explicit semantic declaration}
>
\text{weak ambiguous implicit evidence}
} Explicit semantic declaration > weak ambiguous implicit evidence 在其他條件相近時，推薦系統不應讓大量模糊、被平台自身產生的行為資料，任意覆寫語意更明確的使用者選擇。
這為 Series A 後續研究建立第二層基礎：
A01 定義「使用者看得到什麼」；
A02 定義「看見之後，系統應如何理解使用者與內容的關係」；
A03 將處理「如果觀察本身產生行為資料，偏好推論如何被污染」。
References
[0] Neo.K / EveMissLab. “Recommendation as an Observation Operator: A Formal Framework for Content Availability, Observability, Discoverability, and User Agency.” Series A, Paper A01, v0.1, 2026.
[1] Hu, Y., Koren, Y., & Volinsky, C. “Collaborative Filtering for Implicit Feedback Datasets.” 2008 Eighth IEEE International Conference on Data Mining, pp. 263–272, 2008. DOI: 10.1109/ICDM.2008.22.
[2] Koren, Y. “Collaborative Filtering with Temporal Dynamics.” Communications of the ACM, 53(4), 89–97, 2010. DOI: 10.1145/1721654.1721677.
[3] Adomavicius, G., Mobasher, B., Ricci, F., & Tuzhilin, A. “Context-Aware Recommender Systems.” AI Magazine, 32(3), 67–80, 2011. DOI: 10.1609/aimag.v32i3.2364.
[4] Parra, D., & Brusilovsky, P. “User-controllable personalization: A case study with SetFusion.” International Journal of Human-Computer Studies, 78, 43–67, 2015. DOI: 10.1016/j.ijhcs.2015.01.007.
Series Continuation
A03 — Passive Exposure and Endogenous Preference Contamination
A04 — The Platform-Induced Exposure Bubble
A05 — Recommendation, Cold Start, and Creator Ecological Collapse
A06 — Metric Success, Product Failure