When Product Search Meets Collaborative Filtering: A Hierarchical Heterogeneous Graph Neural Network Approach
个性化是提高产品搜索系统性能的核心。以往的研究主要是依靠文本查询和用户/产品相关文档之间的语义匹配，离开用户的合作行为尚未开发。事实上，用户之间的协同过滤信号直观地为语义匹配提供了补充信息。为了缩小协同过滤和产品搜索之间的差距，本文提出了一种层次异构图神经网络（HHGNN）方法。具体来说，我们组织HHGNN与层次图结构，根据三个边缘类型。序列边负责从单词节点到句子节点的语法公式化;组合边将语义特征聚合到用户和产品节点;顶部的交互边执行用户和产品节点之间的图卷积操作。最后，为了更好地进行表示学习，我们将高阶相邻协作特征和语义特征相结合。我们在六个亚马逊评论数据集上进行了广泛的实验。结果表明，我们提出的方法可以优于国家的最先进的基线有很大的利润。此外，我们实证证明，协同过滤和语义匹配是相辅相成的产品搜索性能的提高。
2021-09-26 cs.IR
Collaborative Search Trails for Video Search
在本文中，我们提出了一种方法，支持用户在搜索视频的困难任务。我们使用协作反馈挖掘早期用户的视频搜索系统的互动，以帮助用户在他们当前的搜索任务。我们的目标是提高用户查找结果的质量，并在此过程中帮助用户探索庞大而复杂的信息空间。希望这将导致他们考虑他们可能没有考虑过的搜索选项。我们进行了以用户为中心的评估。我们的评估结果表明，我们实现了我们的目标，用户在寻找相关的视频剪辑的性能与我们的系统得到了增强，用户能够探索更多的视频剪辑的集合，用户表现出偏好我们的系统，提供建议。
2009-08-06 cs.IR
Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation
针对对抗协同过滤缺乏理论解释的问题，本文证明其在干净与投毒数据下均可降低推荐误差，并据此提出按用户嵌入尺度设置扰动幅度的PamaCF，提升鲁棒性与推荐性能。
2024-11-02 cs.IR
Improving Recommendation Quality by Merging Collaborative Filtering and Social Relationships
矩阵分解技术已经成功地应用于提高协同过滤系统（CFS）产生的建议的质量。基于矩阵分解的传统CFS基于用户提供的评级进行操作，最近已扩展到包括年龄和性别等人口统计方面。在本文中，我们建议合并CFS的基础上矩阵分解和信息的社会友谊，以提供用户更准确的建议和排名的项目，他们感兴趣的。所提出的方法已在现实生活中的在线社交网络上进行了评估，实验结果表明，对现有的CFS的改进。并与相关文献进行了详细的比较。
2011-09-30 cs.IR cs.SI physics.soc-ph
COLA: Improving Conversational Recommender Systems by Collaborative Augmentation
The Hong Kong Polytechnic University（香港理工大学）
会话式推荐系统（CRS）的目标是利用自然语言会话向用户推荐合适的产品。了解用户对预期项目的偏好并学习有效的项目表示对于CRS至关重要。尽管有各种尝试，早期的研究主要是学习项目表征的基础上，个人的对话，忽略了项目的受欢迎程度体现在所有其他人。此外，他们仍然需要支持，以有效地捕捉用户的喜好，因为在一个单一的对话反映的信息是有限的。受协同过滤的启发，我们提出了一种协同增强（COLA）方法，同时提高项目表示学习和用户偏好建模，以解决这些问题。我们从所有对话中构建了一个交互式用户-项目图，该图用用户感知信息增强了项目表示，即，物品人气。为了提高用户偏好建模，我们从训练语料库中检索类似的对话，其中所涉及的项目和属性，反映用户的潜在利益是用来增强用户表示通过门控制。在两个基准数据集上的实验证明了该方法的有效性。我们的代码和数据可在https://github.com/DongdingLin/COLA上获得。
2022-12-15 cs.CL cs.IR
Local Collaborative Filtering: A Collaborative Filtering Method that Utilizes Local Similarities among Users
Wuhan University（武汉大学）
针对推荐系统中用户行为数据利用不足的问题，提出利用用户局部相似性、结合大数定律整合数据的LCF协同过滤方法，在Steam数据集上的实验结果符合现实需求。
2025-11-17 cs.AI cs.HC cs.IR
Voice Information Retrieval In Collaborative Information Seeking
语音信息检索是一种为信息检索系统提供将语音查询转录并使用文本输出进行信息检索的能力的技术。CIS是一个研究领域，涉及研究在信息寻求项目的协作组中工作的人的情况，动机和方法，以及建立支持此类活动的系统。人类发现通过语言交流和表达思想更容易。现有的语音搜索如Google等主流语音搜索不支持协同搜索。语音经过语音识别系统进行特征提取，采用MFCC和HMM，Viterbi算法进行精确的模式匹配。然后将ASR的结果作为输入传递到CIS系统中，然后过滤结果以获得聚合结果。模拟结果表明，我们的模型能够达到81.25%的转录准确率。
2021-10-05 cs.IR
Improving adaptation of ubiquitous recommander systems by using reinforcement learning and collaborative filtering
移动应用程序的广泛发展提供了大量的所有类型的数据（图像，文本，声音，视频等）。因此，必须考虑两个主要问题：协助用户查找信息和减少搜索和导航时间。从这个意义上说，基于上下文的推荐系统（CBRS）建议用户根据她/他的情况，充分的信息。我们的工作包括应用机器学习技术和推理过程，以解决一些问题的接受推荐系统的用户，即避免专家的干预，减少冷启动问题，加快学习过程和适应用户的兴趣。为了实现这一目标，我们提出了一个根本性的修改，我们如何建模的CBRS的学习。受机器人中人类推理模型的启发，我们将强化学习和基于案例的推理结合起来，定义了一个基于不同上下文维度（认知，社会，时间，地理）的上下文推荐过程。本文介绍了一个正在进行的工作，实施CBRS的基础上的混合Q学习（HyQL）算法，结合Q学习，协同过滤和基于案例的推理技术。它还通过比较HyQL和标准Q-Learning w.r.t.解决冷启动问题。
2014-04-15 cs.IR
Improving Collaborative Metric Learning with Efficient Negative Sampling
Deezer Research & Development（Deezer研发部）；Paris（巴黎）
基于三元组丢失的距离度量学习已经在人脸识别、图像检索、说话人变化检测以及最近的CML模型推荐等广泛的应用中取得了成功。然而，正如我们在本文中所展示的，CML需要大批量才能合理地工作，因为选择三胞胎的负采样策略过于简单。由于内存限制，这使得它难以在高维场景中扩展。为了缓解这个问题，我们在这里提出了一个2阶段的负采样策略，发现三胞胎是高度信息学习。我们的策略允许CML在准确性和流行性偏差方面有效地工作，即使批量大小比默认均匀采样所需的小一个数量级。我们证明了建议的策略的适用性，并在各种数据集上表现出一致的积极结果。
2019-09-24 cs.IR cs.LG
Proceedings of 1st International Workshop on Collaborative Information Seeking
研讨会的目标是汇集对小团队协作搜索的各个方面感兴趣的研究人员，分享想法，促进该领域的研究，并提高这一新兴领域的知名度。我们期望确定有希望的进一步探索方向，并在研究小组之间建立合作联系。研讨会于2008年6月20日在美国宾夕法尼亚州匹兹堡举行，与JCDL 2008会议同时举行。讲习班围绕三个主题组织：做法、模式和评价。我们从一个关于术语的讨论开始（仍在进行中），关于如何在现有的研究空间中扩展我们的工作。我们还希望通过现实世界的协作示例来激发我们的建模和设计讨论。我们讨论了来自医疗保健领域，学生，教师，军队和企业（如制药公司）进行研究的例子。讨论了协同信息搜寻的几种模式，包括意义建构、沟通和基于Marcia Bates的信息搜寻理论。最后，演讲者描述了实现协作的各个方面的几个系统，包括使用搜索路径、模拟用户行为以模拟系统性能，以及表征导致更有效协作的组的属性。
2009-08-07 cs.HC cs.IR
Extending a Tag-based Collaborative Recommender with Co-occurring Information Interests
协同过滤被广泛应用于个性化项目推荐，但其性能受到评分数据稀疏性的影响。为了解决这个问题，最近的系统已经开发，以改善推荐通过提取潜在的因素从评级矩阵，或通过利用信任关系建立在用户之间的社交网络。在这项工作中，我们感兴趣的是评估是否可以使用其他来源的偏好信息比评级和社会关系，以提高推荐性能。具体来说，我们的目标是测试是否经常共同出现的利益信息搜索日志的集成可以提高推荐性能的用户到用户的协同过滤（U2UCF）。为此，我们提出了扩展的基于类别的协同过滤（ECCF）推荐，它丰富了基于类别的用户简档来自与数据类别的评级行为的分析，经常被搜索在一起的人在搜索会话。我们使用一个大的评级数据集和一个广泛使用的搜索引擎的日志来测试我们的模型，以提取兴趣的同现。实验结果表明，ECCF在推荐准确率、MRR、推荐多样性和用户覆盖率方面优于U2UCF和基于类别的协同推荐。此外，它优于SVD++矩阵分解算法的准确性和多样性的推荐列表。
2020-03-30 cs.IR
Hybrid Collaborative Filtering Models for Clinical Search Recommendation
The Ohio State University（俄亥俄州立大学）；Regenstrief Institute（雷根斯特里夫研究所）；Indiana University School of Medicine（印第安纳大学医学院）
随着电子健康档案的广泛应用，临床医生在大量的患者健康档案中检索重要信息时，往往面临时间压力。虽然搜索功能可以是浏览患者记录的有用替代方案，但对于临床医生来说，重复搜索类似患者的相同或类似信息是很麻烦的。在这种情况下，迫切需要建立有效的推荐系统，可以为临床医生生成准确的搜索词推荐。在这篇手稿中，我们开发了一个混合协同过滤模型，使用患者的遭遇和搜索词信息，为临床医生推荐下一个搜索词，以快速检索重要信息。对于每例患者，模型将推荐与他/她最近的ICD代码具有高共现频率或与该患者最近的检索词高度相关的术语。我们已经进行了全面的实验来评估所提出的模型，实验结果表明，我们的模型可以优于所有最先进的基线方法的前N个搜索词推荐不同的数据集。
2020-07-19 cs.IR cs.LG
GSPRec: On Improving Item Representations in Graph Signal Processing for Collaborative Filtering
Department of Computer Science UC San Diego（计算机科学系 UC 洛杉矶分校）
研究针对基于图的协同过滤方法丢弃中频成分问题，提出GSPRec框架，通过合并项目-项目接近度产生更丰富项目频谱表示，经实验验证其性能优于基线，还表明图构建与滤波器设计相互关联。
2026-07-22 cs.AI cs.IR
Effective Personalized Recommendation in Collaborative Tagging Systems
近年来，协同标注系统受到了越来越多的关注，并在Web系统中得到了广泛的应用。标签提供了关于个人偏好和项目内容的高度抽象的信息，因此有可能帮助改进更好的个性化推荐。在本文中，我们提出了一个基于标签的推荐算法，考虑到个人词汇，并评估它在现实世界的数据集：Del.icio.us。实验结果表明，标签信息的使用可以显着提高个性化推荐的准确性。
2009-07-19 cs.IR
Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
School of Information, Renmin University of China（中国人民大学信息学院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京市大数据管理与分析方法重点实验室）
最近，图协同过滤方法已被提出作为一种有效的推荐方法，它可以捕捉用户的偏好，通过建模的用户项目交互图。为了降低数据稀疏性的影响，将对比学习引入到图协同过滤中以提高性能。然而，这些方法通常通过随机抽样来构造对比对，忽略了用户（或项目）之间的相邻关系，未能充分利用对比学习的潜力进行推荐。为了解决上述问题，我们提出了一种新的对比学习方法，命名为邻居丰富的对比学习，命名为NCL，显式地将潜在的邻居到对比对。具体来说，我们分别从图结构和语义空间引入用户（或项目）的邻居。对于交互图上的结构邻居，我们开发了一种新的结构对比目标，将用户（或项目）及其结构邻居视为正对比对。在实现中，用户（或项目）和邻居的表示对应于不同GNN层的输出。此外，为了挖掘语义空间中潜在的邻居关系，我们假设具有相似表征的用户都在语义邻居中，并将这些语义邻居纳入原型对比目标。提出的NCL可以用EM算法优化，并推广到图协同过滤方法。在5个公共数据集上的实验结果表明了该方法的有效性，在Yelp和Amazon-book数据集上的性能分别比基于竞争图的协同过滤模型提高了26%和17%。我们的代码可在https://github.com/RUCAIBox/NCL上获得。
2022-02-15 cs.AI cs.IR
Annotations, Collaborative Tagging, and Searching Mathematics in E-Learning
本文提出了一个新的框架，增加语义到网络学习系统。所提出的方法依赖于两个原则。第一个原则是在创建数学内容时自动添加语义信息。第二个原则是电子学习内容的协作标记和注释，并使用本体对电子学习内容进行分类。所提出的系统编码的数学内容使用演示MathML与RDFa注释。该系统允许学生突出显示和注释电子学习内容的特定部分。我们的目标是增加意义的电子学习内容，内容之间的关系，并创建一个框架，以方便搜索的内容。该语义信息可以用于回答语义查询（例如，SPARQL）来检索用户的信息请求。这项工作是作为一个嵌入式代码到Moodle电子学习系统。
2012-11-08 cs.DL cs.IR
Efficient and Joint Hyperparameter and Architecture Search for Collaborative Filtering
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Tencent Inc.（腾讯公司）；Baidu Inc.（百度公司）
针对现有AutoML设计协同过滤模型时架构与超参数分开搜索的问题，提出缩小搜索空间的两阶段联合搜索方法，在真实数据集上性能优于人工及已有搜索模型。
2023-07-12 cs.IR cs.LG
Efficient Data-specific Model Search for Collaborative Filtering
Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）；Paradigm Inc.（第四范式公司）
协同过滤（CF）作为推荐系统的一种基本方法，通常建立在具有可学习参数的潜在因素模型上来预测用户对项目的偏好。然而，为给定数据设计合适的CF模型并不容易，因为数据集的属性是高度多样化的。在本文中，自动机器学习（AutoML）的最新进展的动机，我们提出了设计一个数据特定的CF模型AutoML技术。这里的关键是一个新的框架，它统一了最先进的（SOTA）CF方法，并将它们分为输入编码，嵌入函数，交互函数和预测函数的不相交阶段。我们进一步开发了一个易于使用的，强大的，高效的搜索策略，它利用随机搜索和性能预测器的有效搜索在上述框架内。通过这种方式，我们可以从SOTA模型中组合地概括特定于数据的CF模型，这些模型在文献中还没有被访问过。在五个真实数据集上的大量实验表明，我们的方法在各种CF任务中的性能始终优于SOTA方法。进一步的实验验证了该框架的合理性和搜索策略的有效性。所研究的CF模型也可以为将来探索更有效的方法提供启示
2021-06-14 cs.AI cs.IR
Improving Collaborative Filtering based Recommenders using Topic Modelling
Flytxt Mobile Solutions Pvt. Ltd.（Flytxt移动解决方案私人有限公司）；Indian Institute of Technology, Delhi（德里印度理工学院）
标准的协同过滤（CF）算法利用用户和项目之间的交互，仅以隐式或显式评级的形式来生成推荐。在这种情况下，纯粹基于评级重叠来计算用户或项目之间的相似性，而不考虑所涉及的用户或项目的显式属性，从而限制了它们在具有非常稀疏的评级空间的域中的适用性。在许多领域，如电影，新闻或电子商务广告，大量的文本形式的上下文数据描述项目属性，以及评级数据，这可以用来提高推荐quality.In本文中，我们提出了一种新的方法，以改善标准的CF为基础的广告，利用潜在的Dirichlet分配（LDA）学习项目的潜在属性，表示在主题比例，源自其文字描述。我们推断用户的主题偏好或人物在同一潜在空间，根据她的历史评级。在计算用户之间的相似性时，我们使用了一种组合的相似性度量，包括评分重叠以及潜在主题空间中的相似性。这种方法解决了稀疏性问题，因为它允许计算用户之间的相似性，即使他们没有共同评价任何项目。我们在多个公共数据集上的实验表明，所提出的混合方法在分类精度指标（如精度，召回率和f-测量）方面显着优于标准的基于用户和基于项目的CF分类器。
2014-02-25 cs.CL cs.IR cs.LG
A multi-level collaborative filtering method that improves recommendations
协同过滤是在各种在线环境中提供推荐的最常用方法之一。尽管协作推荐方法由于其简单易用而被广泛使用，但准确性仍然是一个问题。在本文中，我们提出了一个多层次的推荐方法，其主要目的是帮助用户在决策提供更好的质量建议。所提出的方法可以应用于不同的在线领域，使用协同推荐系统，从而提高整体用户体验。所提出的方法的效率是通过提供一个广泛的实验评估，使用五个真实的数据集和比较替代品。
2018-04-24 cs.IR
Evaluation of Coordination Techniques in Synchronous Collaborative Information Retrieval
传统的信息检索（IR）研究集中在一个单一的用户交互模式，用户搜索，以满足信息的需要。网络技术和计算机硬件的最新进展使得多个用户能够在许多计算机支持的任务上进行协作，因此，支持两个或更多个用户同时一起搜索以满足共享信息需求的机会越来越多，我们将其称为同步协作信息检索（SCIR）。SCIR系统代表了传统IR系统的重大范式转变。为了支持有效的SCIR，需要新的技术来协调用户的活动。此外，新领域的SCIR提出了挑战，这些系统的有效评估。在本文中，我们将提出一个有效的和可重用的评估方法的基础上模拟用户搜索在一起。我们将概述我们如何使用这种评估的影响，不同的分工和共享的知识技术SCIR的实证研究。
2009-08-06 cs.IR
Graph Contrastive Learning with Multi-Objective for Personalized Product Retrieval in Taobao Search
本文提出多目标图对比学习模型GCL-MO，通过商品同构图和改进对比损失同时优化个性化与相关性，提升长尾商品表示，并在淘宝搜索中取得显著在线收益。
2023-07-10 cs.IR
Search Result Clustering in Collaborative Sound Collections
Universitat Pompeu Fabra（庞培法布拉大学）
当今在线多媒体数据库的庞大规模使得检索其内容成为一项困难且耗时的任务。在线声音收藏的用户通常提交表达广泛意图的搜索查询，通常使系统返回大型且难以管理的结果集。搜索结果聚类是一种将搜索结果内容组织成连贯组的技术，它允许用户在其结果中识别有用的子集。获得一致的和独特的集群，可以探索一个合适的接口是至关重要的，使这项技术的一个有用的补充，传统的搜索引擎。在我们的工作中，我们提出了一个基于图的方法，使用音频功能的聚类不同的声音集合时，查询大型在线数据库。我们提出了一种方法来评估不同的功能在规模上的性能，通过利用与每个声音相关联的元数据。这种分析与使用手动注释数据集的地面实况标签的评估相补充。我们表明，使用置信度的措施，丢弃不一致的集群提高了分区的质量。在确定了最合适的聚类功能后，我们进行了一个实验，用户执行一个健全的设计任务，以评估我们的方法和它的用户界面。定性分析包括可用性问卷调查和半结构化访谈。这为我们提供了有价值的新的见解，促进有效的互动与集群的功能。
2020-04-08 cs.HC cs.IR cs.LG
COINS: SemantiC Ids Enhanced COLd Item RepresentatioN for Click-through Rate Prediction in E-commerce Search
Kuaishou Inc.（快手公司）
COINS通过融合语义ID的协同信息与内容信息，提升冷启动物品的点击率预测精度，实现电商搜索的多样性与推荐效果的双重提升。
2026-01-15 cs.AI cs.IR
IHGNN: Interactive Hypergraph Neural Network for Personalized Product Search
一个好的个性化产品搜索系统不仅要关注相关产品的检索，还要考虑用户的个性化偏好。最近关于PPS的工作主要采用表示学习范例，例如，从历史用户行为（又名）中学习每个实体（包括用户、产品和查询）的表示。用户-产品-查询交互）。然而，我们认为，现有的方法没有充分利用关键的合作信号，这是潜在的历史互动，以揭示实体之间的亲和力。协作信号有助于生成高质量的表示，利用协作信号将有利于一个节点从其连接的节点中进行表示学习。为了解决这个问题，在这项工作中，我们提出了一个新的模型IHGNN的个性化产品搜索。IHGNN利用历史用户-产品-查询交互行为构建的超图，能够完全保持三元关系，并基于拓扑结构表达协作信号。在此基础上，我们开发了一个特定的交互式超图神经网络来显式编码结构信息（即，协作信号）到嵌入过程中。它从超图邻居中收集信息，并显式地对邻居特征交互进行建模，以增强目标实体的表示。在三个真实世界数据集上进行的广泛实验验证了我们的提议相对于最先进技术的优越性。
2022-02-10 cs.IR
Improving an Hybrid Literary Book Recommendation System through Author Ranking
文学阅读是个人的一项重要活动，选择阅读一本书可能是一个长期的承诺，使图书选择成为图书爱好者和公共图书馆用户的一项重要任务。在本文中，我们提出了一个混合推荐系统，以帮助读者决定哪本书读。我们研究书籍和作者推荐的混合推荐设置和测试我们的方法在LitRec数据集。我们的混合图书推荐方法结合了两个基于项目的协同过滤算法来预测用户会喜欢的书籍和作者。作者预测被扩展到一个图书列表，该列表随后与通过初始协作推荐器生成的前一个列表聚合。最后，使用产生的图书列表来产生前n个图书推荐。通过各种实验，我们证明了作者推荐可以提高整体图书推荐。
2012-03-23 cs.DL cs.IR
Transformer-Empowered Content-Aware Collaborative Filtering
基于知识图谱（KG）的协同过滤是一种有效的个性化推荐系统的方法，相对静态的领域，如电影和书籍，通过利用KG的结构化信息来丰富项目和用户表示。出于使用Transformers理解富文本在基于内容的过滤推荐系统，我们提出了内容感知KG增强元偏好网络作为一种方式来增强协同过滤推荐的基础上，结构化的信息从KG以及非结构化的内容功能的基础上，变压器授权的基于内容的过滤。为了实现这一目标，我们采用了一种新的训练方案，跨系统对比学习，以解决这两个非常不同的系统的不一致性，并提出了一个强大的协同过滤模型和一个变种的知名NRMS系统在这个建模框架。我们还通过创建一个大规模的电影知识图谱数据集，并通过整合从外部来源抓取的文本描述来扩展已经公开的Amazon-Book数据集，从而为公共领域资源做出贡献。我们目前的实验结果表明，增强协同过滤与变压器为基础的功能来自基于内容的过滤优于强大的基线系统，提高能力的知识图为基础的协同过滤系统，利用项目内容信息。
2022-04-02 cs.IR
Collaborative Similarity Embedding for Recommender Systems
我们提出了协作相似性嵌入（CSE），一个统一的框架，利用全面的合作关系，可在用户项二分图的表示学习和推荐。在该框架中，我们区分两种类型的邻近关系：直接邻近和k阶邻域邻近。虽然从前者学习利用从图中可观察到的直接用户-项目关联，但从后者学习利用隐式关联，例如用户-用户相似性和项目-项目相似性，这可以提供有价值的信息，特别是当图稀疏时。此外，为了提高可扩展性和灵活性，我们提出了一种采样技术，专门设计用于捕获两种类型的邻近关系。在八个基准数据集上的大量实验表明，CSE比最先进的推荐方法具有更好的性能。
2019-02-19 cs.IR cs.SI
Multi-Branch Collaborative Learning Network for Video Quality Assessment in Industrial Video Search
Baidu Inc.（百度公司）
针对工业视频检索中四类低质量视频特征被学术研究忽视的问题，提出多分支协同网络（MBCN），通过四分支独立评分与加权聚合，结合点式和成对优化，显著提升检索系统排序性能及低质量AI生成视频识别准确率。
2025-02-09 cs.CV cs.IR
Harnessing the power of Social Bookmarking for improving tag-based Recommendations
社会书签和标签已经出现了一个新时代的用户协作。协作标记允许用户注释他们喜欢的内容，通过适当的算法可以提供有用的产品推荐。今天的情况是，基于标签的算法与基于评级的推荐机制互补，以预测用户对各种产品的喜好。在本文中，我们提出了一种替代算法计算个性化的产品推荐，专门使用的用户提供的标签。我们的方法是基于使用用户提供的标签的语义相似性聚类成组的类似意义的想法。然后，将用户注释能力的一些可测量特征与其他度量（如用户相似度）相结合，用于计算预测。从现实世界的协作标记系统，citeUlike使用的数据的评估，证实了我们的方法优于基线向量空间模型，以及其他国家的最先进的算法，更准确地预测用户的喜好。
2014-10-19 cs.IR cs.SI
Improving Image Search based on User Created Communities
基于标签的多媒体内容检索是一个困难的问题，不仅是因为与图像和视频相关联的标签的长度较短，而且还由于由广告商和内容创建者使用的术语不匹配。为了缓解这个问题，我们提出了一个简单的概念驱动的概率模型，以改善基于文本的富媒体搜索。虽然我们的方法类似于现有的基于主题的检索和基于聚类的语言建模工作，但有两个重要的区别：（1）我们提出的模型不仅考虑了来自聚类的查询生成可能性，而且明确地考虑了聚类或底层概念的总体“流行度”，以及（2）我们探索了通过内容所属的用户创建的社区来推断与富媒体内容相关的可能概念的可能性。我们实现了两种方法的概念提取：一个传统的基于聚类的方法，并建议社区为基础的方法。我们评估这两种技术如何有效地捕捉到一个词的预期含义，从内容创建者和搜索引擎，以及他们在改善图像搜索的整体价值。我们的研究结果表明，概念驱动的搜索，虽然简单，明显优于普通搜索。在概念驱动搜索的两种技术中，基于社区的方法更成功，因为从用户社区生成的概念被发现更直观和吸引人。
2011-02-26 cs.IR
Beyond Single Labels: Improving Conversational Recommendation through LLM-Powered Data Augmentation
School of Computer Science, Fudan University（复旦大学计算机科学学院）
针对对话式推荐中的假阴性问题，提出基于LLM语义检索与相关性过滤的数据增强框架及两阶段训练策略，在基准数据集上显著提升推荐性能。
2025-07-30 cs.AI cs.IR
HAGRID: A Human-LLM Collaborative Dataset for Generative Information-Seeking with Attribution
University of Waterloo（滑铁卢大学）
本文提出 HAGRID 数据集，通过人类与 LLM 协作构建端到端生成式信息检索模型，基于 MIRACL 英文子集，利用 GPT-3.5 生成带归属解释并由人工评估，促进信息检索模型的归属能力发展。
2023-07-31 cs.CL cs.IR
Some Practice for Improving the Search Results of E-commerce
Purdue University（普渡大学）；Tsinghua University（清华大学）
在Amazon KDD Cup 2022中，我们的目标是应用自然语言处理方法来提高搜索结果的质量，从而显著增强用户体验和与电子商业搜索引擎的互动。我们讨论我们的实际解决方案，在任务一中排名第六，在任务二中排名第二，在任务三中排名第二。该代码可在https://github.com/wufanyou/KDD-Cup-2022-Amazon上获得。
2022-07-30 cs.AI cs.IR
MMRM: A Multiplex Multimodal Representation Model for Product Ranking in E-commerce Search
针对电子商务搜索排名中多模态信息利用的局限，提出MMRM框架，通过共享主干从多信号学习生成多重商品表示，引入多重用户表示策略，并经实验验证其有效性，已成功应用于京东搜索引擎提升性能。
2026-07-14 cs.IR cs.LG cs.MM
Shopping Queries Dataset: A Large-Scale ESCI Benchmark for Improving Product Search
Amazon（亚马逊）
提高搜索结果的质量可以显著增强用户体验和与搜索引擎的互动。尽管最近在机器学习和数据采掘领域中取得了一些进展，但是正确地对特定用户搜索查询的项目进行分类一直是一个长期存在的挑战，这仍然具有很大的改进空间。本文介绍了“购物搜索数据集”，这是一个大型的亚马逊搜索查询和结果数据集，公开发布，旨在促进提高搜索结果质量的研究。该数据集包含大约13万个独特的查询和260万个手动标记的（查询，产品）相关性判断。该数据集是多语言的，可使用英语、日语和西班牙语进行查询。KDDCup'22挑战赛之一正在使用购物体验数据集。在本文中，我们描述了数据集，并提出了三个评估任务以及基线结果：（i）排名的结果列表，（ii）分类产品结果到相关类别，以及（iii）确定替代产品为给定的查询。我们预计，这些数据将成为未来产品搜索研究的黄金标准。
2022-06-14 cs.IR cs.LG
Improving search relevance of Azure Cognitive Search by Bayesian optimization
Microsoft（微软）
针对Azure Cognitive Search用户特定用例下搜索相关性提升难的问题，提出将搜索相关性问题建模为超参数调优、用贝叶斯优化找最优配置的方法，在真实场景中显著提升了CTA率等指标。
2023-12-13 cs.AI cs.IR cs.LG
Just an Update on PMING Distance for Web-based Semantic Similarity in Artificial Intelligence and Data Mining
La Sapienza University of Rome（罗马大学）
在经典的语义学方法中出现的主要问题之一是本体和语义标注的获取和维护的困难。另一方面，互联网的爆炸和移动智能设备的大规模扩散导致了一个全球系统的创建，该系统每天都会检查信息，并通过数百万以协作方式进行交互的用户的贡献来推动。搜索引擎，不断探索网络，是一个自然的信息来源，基于现代方法的语义注释。一个很有前途的想法是，它是可能的语义相似性，语义相似的条款行为相似的假设下，并定义协作的接近度测量的基础上返回的索引信息的搜索引擎。PMING距离是在数据采掘和信息检索中使用的邻近度量，其中协作信息仅使用作为搜索引擎上的查询的结果返回的文档的数量来表达两个术语之间的关系程度。在这项工作中，PMINIG距离更新，提供了一个新的正式的代数定义，纠正以前的作品。新的观点强调PMING的特点是一个局部归一化的线性组合的逐点互信息和归一化谷歌距离。所分析的度量动态地反映了对网络资源的协同变化。
2017-01-09 cs.AI cs.CL cs.IR
