# 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 Resources  
**Series:** Algorithmic Observation, Recommendation & Platform Ecology  
**Paper ID:** A02  
**Version:** v0.1  
**Date:** 2026-08-31  
**Status:** Canonical UTF-8 Source  
**Author:** 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 $u$ 、內容 $v$ 與時間 $t$，本文將 awareness、intrinsic interest、consumption intent、resource feasibility、temporal relevance、explicit declaration 與 rejection scope 分離建模，並形式化提出兩個重要狀態：Known-but-Declined，表示使用者已充分知道某內容但目前明確選擇不投入；Interested-but-Resource-Constrained，表示使用者對內容具有正向興趣，但因時間、金錢、注意力或其他機會成本而暫時無法投入。

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：

$$
p_{u,v}=f(H_u,X_v,C_t),
$$

其中 $H_u$ 為使用者歷史、 $X_v$ 為內容特徵、 $C_t$ 為情境。系統再依據 $p_{u,v}$ 排序候選內容。

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：

$$
\boxed{
\text{Preference}
\neq
\text{Interest Only}
}
$$

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：

$$
p_{u,v}\in[0,1],
$$

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：

$$
\boxed{
Awareness
\neq
Interest
\neq
Intent
\neq
Feasibility
\neq
Commitment
}
$$

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：

$$
\text{What does the user like?}
$$

擴展為：

$$
\boxed{
\text{What relation does the user currently have to this item, under what constraints, and with what declared intent?}
}
$$

---

## 2. From Observation to Preference State

Paper A01 定義：

$$
\mathcal{C}_t
\xrightarrow{
\mathcal{O}_{u,t}^{(s)}
}
L_{u,t}^{(s)}
\xrightarrow{
\text{finite attention}
}
\mathcal{W}_{u,t}^{\mathrm{exp}}.
$$

其中 $\mathcal{O}_{u,t}^{(s)}$ 決定內容如何進入使用者可觀察世界。

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：

$$
Interaction(u,v,t)\in\{0,1\},
$$

或單一：

$$
PreferenceScore(u,v,t),
$$

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 $20$ 秒：

$$
WatchTime(u_1,v)=WatchTime(u_2,v)=20s.
$$

但可能：

$$
u_1:
\text{主動搜尋後觀看},
$$

而：

$$
u_2:
\text{自動播放後沒有立即滑走}.
$$

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：

$$
\text{Observed Action}
\neq
\text{Preference State}.
$$

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：

$$
P_{u,v}=P_{u,v}(t),
$$

並再加入：

$$
Declaration_{u,v}
=
Declaration_{u,v}(t,\Delta t),
$$

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：

$$
R:User\times Item\rightarrow Rating
$$

擴展為：

$$
R:User\times Item\times Context\rightarrow Rating.
$$

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：

$$
Context
\supset
\{
TimeBudget,
AttentionBudget,
MoneyBudget,
CommitmentCapacity
\}.
$$

### 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 $u$ 、內容或內容類別 $v$ 、時間 $t$，定義：

$$
\mathbf{z}_{u,v,t}
=
(
a,
i,
n,
f,
r,
\tau,
d
).
$$

其中：

$$
a=Awar(u,v,t)\in[0,1]
$$

表示 awareness：使用者對內容的認識程度。

$$
i=Intr(u,v,t)\in[-1,1]
$$

表示 intrinsic interest：使用者對內容本身的內在興趣。

$$
n=Intent(u,v,t)\in[-1,1]
$$

表示當下 consumption intent：使用者目前是否有意願接觸。

$$
f=Feas(u,v,t)\in[0,1]
$$

表示 resource feasibility：目前是否有足夠時間、金錢、注意力與承諾能力。

$$
r=Rel(u,v,t)\in[0,1]
$$

表示 contextual relevance：內容對目前任務或生活情境是否相關。

$$
\tau=Horizon(u,v,t)
$$

表示時間有效範圍或 preference horizon。

$$
d=Decl(u,v,t)
$$

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：

$$
U_{u,v,t}
=
g(
i,
n,
f,
r,
d,
C_{\mathrm{opportunity}}
).
$$

其中：

$$
C_{\mathrm{opportunity}}
$$

是使用者將有限資源投入內容 $v$ 時放棄其他活動的機會成本。

---

## 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：

$$
a_{u,v,t}\approx1
$$

只表示使用者很清楚 $v$ 是什麼。

但可能同時存在：

$$
i_{u,v,t}\geq0
$$

以及：

$$
n_{u,v,t}\approx0.
$$

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：

$$
Awar=1,
$$

$$
Intr>0,
$$

$$
Intent\approx0.
$$

若系統將：

$$
Recognition
\rightarrow
LongerDwell
\rightarrow
Interest
$$

直接串接，便可能產生 Recognition Feedback Loop。

因此本文提出：

### Proposition 1 — Awareness-Preference Non-Identity

$$
\boxed{
Awar(u,v,t)
\not\equiv
Intr(u,v,t)
}
$$

即使：

$$
Awar(u,v,t)\rightarrow1,
$$

仍不能推出：

$$
Intr(u,v,t)\rightarrow1.
$$

---

## 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：

$$
Intr(u,v,t)>0
$$

不推出：

$$
Intent(u,v,t)>0.
$$

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：

$$
C_{\mathrm{attention}}.
$$

此時真正的即時效用可能是：

$$
U_{u,v,t}
=
V_{u,v,t}
-
C_{\mathrm{attention}}
-
C_{\mathrm{time}}
-
C_{\mathrm{opportunity}}.
$$

即使：

$$
V_{u,v,t}>0,
$$

也可能因：

$$
C_{\mathrm{opportunity}}\gg V_{u,v,t}
$$

而得到：

$$
U_{u,v,t}<0.
$$

因此：

### Proposition 2 — Interest-Intent Separation

$$
\boxed{
Intr(u,v,t)
\neq
Intent(u,v,t)
}
$$

推薦系統應能表示：

$$
Intr>0
\land
Intent\leq0.
$$

---

## 7. Interested-but-Resource-Constrained

本文定義：

$$
\boxed{
IRC(u,v,t)=1
}
$$

若且唯若：

$$
Intr(u,v,t)>0,
$$

$$
Intent(u,v,t)\geq0,
$$

但：

$$
Feas(u,v,t)<\theta_f.
$$

其中 $\theta_f$ 為最低可投入資源門檻。

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：

$$
B_{u,t}
=
(
B_{\mathrm{time}},
B_{\mathrm{attention}},
B_{\mathrm{money}},
B_{\mathrm{commitment}}
).
$$

內容要求的資源為：

$$
R_v
=
(
R_{\mathrm{time}},
R_{\mathrm{attention}},
R_{\mathrm{money}},
R_{\mathrm{commitment}}
).
$$

可定義：

$$
Feas(u,v,t)
=
\phi(
B_{u,t},
R_v
).
$$

當：

$$
R_v\nleq B_{u,t},
$$

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：

$$
\boxed{
KBD(u,v,t)=1
}
$$

若：

$$
Awar(u,v,t)\geq\theta_a
$$

且使用者存在明確 declaration：

$$
Decl(u,v,t)
=
\text{KNOWN\_DECLINED}.
$$

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：

$$
KBD
\neq
Dislike.
$$

可能同時成立：

$$
Intr(u,v,t)\geq0,
$$

但：

$$
Intent(u,v,t)<0.
$$

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：

$$
KBD(u,v,[t_0,t_1])=1.
$$

在 $t_1$ 後，系統可以逐步恢復 exploration probability。

### 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：

$$
KBD=1
$$

但：

$$
Override(e)=1
$$

若：

$$
Importance(e)\geq\theta_I.
$$

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：

$$
x\in\{-1,0,+1\}.
$$

本文主張明示偏好應至少保存：

$$
\sigma
=
(
type,
target,
scope,
strength,
start,
expiry,
provenance
).
$$

其中 `type` 可以是：

$$
\Sigma=
\{
LIKE,
DISLIKE,
FOLLOW,
SAVE,
MORE,
LESS,
SNOOZE,
KNOWN\_DECLINED,
INTERESTED\_LATER,
MAJOR\_ONLY,
BLOCK
\}.
$$

`target` 可以作用於：

$$
\{
item,
creator,
topic,
product,
entity,
format
\}.
$$

`scope` 可以是：

$$
\{
local,
surface,
global
\}.
$$

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：

$$
negative\_weight=-1.
$$

---

## 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：

$$
\mathcal{E}_{u,v,t}
=
\mathcal{E}^{explicit}
\cup
\mathcal{E}^{implicit}.
$$

每個證據 $e$ 具有：

$$
w(e)
=
f(
semantic\_specificity,
provenance,
recency,
intentionality,
reliability
).
$$

一般情況下，可要求：

$$
w(
\text{explicit typed declaration}
)
>
w(
\text{passive exposure}
).
$$

這不是說：

$$
Explicit\ Signal
=
Absolute\ Truth.
$$

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：

$$
\boxed{
\text{Explicit Semantic Evidence}
>
\text{Weak Ambiguous Behavioral Evidence}
}
$$

在其他條件相近時成立。

---

## 11. Preference Provenance

每一個 preference update 都應能追溯：

$$
p_{u,v,t}
\leftarrow
\{
e_1,e_2,\ldots,e_k
\}.
$$

事件可使用：

$$
e_i
=
(
surface,
rank,
trigger,
autoplay,
query,
duration,
action,
timestamp
).
$$

例如：

$$
e_1:
\text{Search}\rightarrow\text{Click}\rightarrow120s
$$

與：

$$
e_2:
\text{Autoplay}\rightarrow20s
$$

不應有相同 intentionality weight。

定義：

$$
IntWeight(e)
\in[0,1].
$$

則 preference evidence contribution 可以表示為：

$$
\Delta p(e)
=
h(
action,
duration,
IntWeight,
surface,
context
).
$$

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：

$$
\begin{aligned}
D_1&=\text{not now},\\
D_2&=\text{not recently},\\
D_3&=\text{not unless major},\\
D_4&=\text{not this format},\\
D_5&=\text{not this creator},\\
D_6&=\text{not this topic},\\
D_7&=\text{never}.
\end{aligned}
$$

因此 negative preference 不應只有：

$$
Neg(u,v)\in\{0,1\}.
$$

可以定義：

$$
Neg(u,v,t)
=
(
scope,
strength,
expiry,
exception
).
$$

例如 temporary suppression：

$$
\lambda_{neg}(t)
=
\lambda_0
e^{-\mu(t-t_0)}.
$$

或 hard expiry：

$$
\lambda_{neg}(t)=
\begin{cases}
\lambda_0,&t\leq t_1,\\
0,&t>t_1.
\end{cases}
$$

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：

$$
B_u(t).
$$

內容集合的成本為：

$$
c(v).
$$

傳統推薦可能求：

$$
\max
\sum_v
x_v
\hat{p}_{u,v},
$$

但更合理的模型是：

$$
\max
\sum_v
x_v
U_{u,v,t}
$$

subject to:

$$
\sum_v
x_vc(v)
\leq
B_u(t).
$$

這把推薦問題從：

$$
\text{highest predicted interest}
$$

改為：

$$
\boxed{
\text{highest feasible utility under finite user resources}
}
$$

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：

$$
UNKNOWN
\rightarrow
AWARE
\rightarrow
INTERESTED
\rightarrow
INTENT
\rightarrow
ACTIVE.
$$

但也可能：

$$
AWARE
\rightarrow
KNOWN\_DECLINED.
$$

或者：

$$
INTERESTED
\rightarrow
IRC.
$$

以及：

$$
IRC
\rightarrow
ACTIVE
$$

當：

$$
Feas(u,v,t)\uparrow.
$$

KBD 也可以：

$$
KBD
\rightarrow
RECONSIDER
$$

若：

$$
t>expiry
$$

或重大事件：

$$
Importance(e)\geq\theta_I.
$$

因此，推薦系統真正要預測的不一定是：

$$
P(click),
$$

而可能是：

$$
P(
state_{t+1}
\mid
state_t,
event_t,
context_t
).
$$

---

## 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：

$$
\text{「有興趣，但最近沒時間」}
\rightarrow
INTERESTED\_LATER
$$

並設定：

$$
expiry=t+\Delta t.
$$

「只提醒重大更新」：

$$
MAJOR\_ONLY
$$

配合：

$$
ImportanceThreshold.
$$

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：

$$
EOVR
=
\frac{
N_{\mathrm{violating\ recommendations}}
}{
N_{\mathrm{applicable\ recommendation\ opportunities}}
}.
$$

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

$$
KBDR
=
\frac{
N_{\mathrm{KBD\ target\ re-exposures}}
}{
N_{\mathrm{sessions}}
}.
$$

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 $c(v)$ 與使用者資源狀態：

$$
RMR
=
P(
c(v)>B_u(t)
\mid
v\in Recommendation
).
$$

### 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：

$$
SMR
=
P(
\hat{State}_{u,v}
\neq
State^{declared}_{u,v}
).
$$

### 16.5 Intentionality-Weighted Learning Error

對偏好更新：

$$
IWLE
=
\sum_e
|
\Delta\hat{p}(e)
-
\Delta p^*(e)
|
\cdot
(1-IntWeight(e)).
$$

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：

$$
\text{passive exposure},
$$

則：

$$
DataVolume\uparrow
$$

不代表：

$$
PreferenceKnowledge\uparrow.
$$

相反地，如果 event semantics 不清楚：

$$
DataVolume\uparrow
\Rightarrow
SemanticNoise\uparrow.
$$

### 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：

$$
WatchTime,
$$

可能傾向推薦：

$$
high\ engagement
+
high\ commitment
$$

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：

$$
Q_{\mathrm{rec}}
=
f(
Relevance,
IntentAlignment,
ResourceFit,
Agency,
Satisfaction
).
$$

### 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：

$$
50
$$

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：

$$
INTERESTED\_LATER,
$$

則 posterior uncertainty 可以迅速下降。

---

## 18. Example Scenarios

### 18.1 Game recommendation

使用者知道遊戲 $g$，也認為其品質可能不差：

$$
Awar(u,g,t)=1,
$$

$$
Intr(u,g,t)=0.4.
$$

但大型長期服務型遊戲需要：

$$
R_g^{time}\gg B_u^{time}.
$$

因此：

$$
Feas(u,g,t)\ll1.
$$

若使用者宣告：

$$
INTERESTED\_LATER,
$$

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：

$$
Rel(u,AI,t)\approx1.
$$

即使某些新聞本身娛樂性低：

$$
Intr(u,v,t)\approx0,
$$

仍可能有：

$$
Intent(u,v,t)>0
$$

因為它屬於必要資訊。

因此：

$$
Interest
\neq
ProfessionalRelevance.
$$

### 18.3 Entertainment fatigue

使用者過去大量觀看某類影片，但現在選擇：

$$
SNOOZE(topic,30days).
$$

若模型仍以歷史 watch time 高為由維持原推薦：

$$
H_u
\gg
Declaration_u,
$$

就會造成 stale-preference persistence。

### 18.4 Major-event exception

使用者對某產品設定：

$$
MAJOR\_ONLY.
$$

一般內容：

$$
Score(v)\rightarrow-\infty
$$

或顯著抑制。

但若：

$$
Importance(v)\geq\theta_I,
$$

則可通過 exception gate。

---

## 19. Relation to Paper A01

A01 的問題是：

$$
\text{What can the user observe?}
$$

A02 的問題是：

$$
\text{How should the system interpret the user's relation to what was observed?}
$$

兩篇組合後：

$$
\mathcal{C}_t
\xrightarrow{
\mathcal{O}
}
L_{u,t}
\xrightarrow{
Interaction
}
\mathcal{E}_{u,t}
\xrightarrow{
\mathcal{P}
}
\mathbf{z}_{u,v,t},
$$

其中：

$$
\mathcal{P}
$$

是 preference-state inference operator。

因此完整鏈條不是：

$$
Recommendation
\rightarrow
Click
\rightarrow
InterestScore,
$$

而是：

$$
\boxed{
\text{Observation}
\rightarrow
\text{Provenanced Interaction}
\rightarrow
\text{Typed Preference State}
\rightarrow
\text{Next Observation}
}
$$

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：

$$
\boxed{
Awareness
\neq
Interest
\neq
Intent
\neq
Feasibility
\neq
Commitment
}
$$

並正式定義：

$$
\boxed{
KBD=\text{Known-but-Declined}
}
$$

以及：

$$
\boxed{
IRC=\text{Interested-but-Resource-Constrained}
}
$$

由此得到一個更完整的推薦表示：

$$
\mathbf{z}_{u,v,t}
=
(
Awar,
Intr,
Intent,
Feas,
Rel,
Horizon,
Decl
).
$$

因此真正的推薦問題不應只是：

$$
\max P(click\mid u,v),
$$

而應逐漸逼近：

$$
\boxed{
\max
U(
v
\mid
user\ state,
declared\ intent,
context,
resource\ constraints
)
}
$$

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：

$$
\boxed{
\text{Explicit semantic declaration}
>
\text{weak ambiguous implicit evidence}
}
$$

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