Exploring Users' Perception of Collaborative Explanation Styles
协同过滤系统在很大程度上依赖于用户的反馈表示的产品评级选择和排名项目推荐。在这项研究中，我们探讨了用户如何价值不同的合作解释风格的用户为基础的或项目为基础的范式。此外，我们探讨这些评级总结的特点，如总评分和平均评分值，影响在线用户的决定。结果，基于选择为基础的联合实验设计，表明平均指标有较高的影响相比，总的收视率。最后，我们讨论了这些实证结果可以作为一个输入开发算法，培养项目，因此，更高的概率选择的基础上，他们的评级总结或他们的解释，由于这些评级时排名建议。
2018-05-02 cs.HC 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
LLMs as Better Recommenders with Natural Language Collaborative Signals: A Self-Assessing Retrieval Approach
提出SCORE框架，通过自然语言协同信号检索与自评估重排序，提升LLM推荐性能。
2025-05-26 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
ClusterRAG: Cluster-Based Collaborative Filtering for Personalized Retrieval-Augmented Generation
University of Arkansas（阿肯色大学）；Walmart Inc.（沃尔玛公司）
ClusterRAG通过聚类用户轮廓文档，利用相似用户的协同信号提升当前用户的个性化生成性能，通过在集群和文档层面进行检索，实现了高效的个性化检索增强生成。
2026-04-14 cs.AI cs.CL cs.IR
A Distributed Collaborative Retrieval Framework Excelling in All Queries and Corpora based on Zero-shot Rank-Oriented Automatic Evaluation
提出分布式协作检索框架（DCRF），集成多种检索模型并动态选择最优结果，利用大语言模型提示策略实现零样本排序评估，在所有查询和语料库上超越单一模型，性能媲美RankGPT等列表式方法且效率更高。
2024-12-16 cs.IR
CoRAG: Collaborative Retrieval-Augmented Generation
Carnegie Mellon University（卡内基梅隆大学）
提出CoRAG框架将检索增强生成扩展至协作环境，客户端共同训练共享模型；引入CRAB基准评估，实验证明其在低资源场景下优于现有方法，并揭示了共享知识库中段落质量对性能的权衡影响。
2025-04-02 cs.AI cs.CL cs.IR
De la recherche sociale d'information à la recherche collaborative d'information
在本文中，我们解释社会信息检索（SIR）和协作信息检索（CIR）。我们认为SIR作为一种方式，知道谁合作，在解决信息问题，而CIR需要的过程中相互理解和解决的信息问题之间的合作者。我们有兴趣从SIR过渡到CIR，因此我们开发了一个通信模型，以促进CIR期间的知识共享。
2009-11-28 cs.IR
Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems
针对大型语言模型（LLMs）对话推荐系统（CRS）难以利用行为数据的问题，提出首个结合LLMs与协同过滤（CF）的CRAG方法，在Reddit-v2和Redial数据集上实现更优的物品覆盖度和推荐性能，尤其提升了新电影推荐准确性。
2025-02-19 cs.IR
RRCM: Ranking-Driven Retrieval over Collaborative and Meta Memories for LLM Recommendation
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Illinois at Chicago（伊利诺伊大学香槟分校）；Capital One AI Foundations（Capital One AI基金会）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
RRCM通过排序驱动的检索与推理框架，解决LLM推荐中构建相关上下文的挑战，利用自然语言表示的协作和元记忆，实现灵活的证据获取，提升推荐质量。
2026-09-29 cs.AI cs.IR cs.LG
Using content features to enhance performance of user-based collaborative filtering performance of user-based collaborative filtering
基于内容的推荐方法和协同过滤方法是推荐系统中最成功的解决方案。基于内容的方法是基于项目属性。该方法首先检查用户最喜欢的项目的特征，然后提出与这些项目具有最相似特征的项目。协同过滤方法是基于相似项目或相似用户的确定，分别称为基于项目的协同过滤和基于用户的协同过滤，本文提出了一种融合协同过滤和基于内容的协同过滤的混合方法。该方法可以看作是基于用户的协同过滤技术。然而，为了找到与活跃用户具有相似品味的用户，我们使用了被调查项目的内容特征，以更加强调用户对相似项目的评分。换句话说，如果两个用户对具有相似上下文的项目的评级相似，则他们是相似的。这是通过在计算两个用户的相似度时为每个评分分配一个权重来实现的。我们使用movielens数据集来评估所提出的方法与基本的基于用户的协同过滤和其他流行方法相比的性能。
2014-02-13 cs.IR
CoRAL: Collaborative Retrieval-Augmented Large Language Models Improve Long-tail Recommendation
University of California San Diego（加利福尼亚大学圣迭戈分校）；Columbia University（哥伦比亚大学）；Adobe Research（奥多比研究院）
针对LLM长尾推荐忽视用户—物品协同信息的问题，本文提出CoRAL，利用强化学习学习检索策略，将最低限度充分的协同交互证据注入提示，从而显著提升推荐推理效果。
2024-03-11 cs.AI cs.IR
Retrieval Augmented Generation with Collaborative Filtering for Personalized Text Generation
Renmin University of China（中国人民大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
本文提出CFRAG方法，将协同过滤引入个性化检索增强生成，通过对比学习获取相似用户协同信息，并利用LLM反馈微调个性化检索与重排序器，在LaMP基准上验证了其有效性。
2025-04-08 cs.CL cs.IR
Mitigating Collaborative Semantic ID Staleness in Generative Retrieval
AI VK；ITMO University（ITMO大学）
本文提出轻量级、模型无关的SID对齐更新方法，解决时间漂移导致的SID过时问题，提升检索性能并降低训练计算量。
2026-04-14 cs.IR
Collaborative Multi-modal deep learning for the personalized product retrieval in Facebook Marketplace
Facebook Marketplace正在迅速成为消费者青睐的C2C产品交易平台。其背后的推荐系统有助于显著提升用户体验。为Facebook Marketplace构建推荐系统具有挑战性，原因有两个：1）可扩展性：Facebook Marketplace中的产品数量巨大。每天需要在几百毫秒内为数以万计的产品进行评分和推荐; 2）冷启动：C2C产品的生命周期很短，产品上的用户活动稀疏。因此，很难积累足够的产品级信号用于推荐，我们正面临着一个重大的冷启动问题。在本文中，我们建议通过构建一个基于协作多模态深度学习的检索系统来解决可扩展性和冷启动问题，在该系统中，使用多模态内容信息来训练用户和产品的紧凑嵌入。该系统在在线和离线实验中均表现出了显著的改进：在线实验中，买方向卖方发起的消息数量增加了+26.95%;离线实验中，预测准确率提高了+9.58%。
2018-05-31 cs.IR
Understanding Groups' Properties as a Means of Improving Collaborative Search Systems
了解参与群组搜索会话的人的相似属性具有显著改进协作搜索系统的潜力;可以通过利用重要属性的信息检索算法和用户界面修改来增强这样的系统，例如通过使用来自群组成员的组合用户简档的信息对搜索结果进行重新排序。了解组成员的相似性也有助于识别组，这对于将用户与其他可能进行协作搜索的人联系起来很有价值。在这篇研讨会论文中，我们描述了我们目前的研究工作，对研究各种类型的组的属性。我们讨论的属性组，可能是相关的协同搜索系统的设计者，并提出了理解这些属性的方式可能会影响协同Web搜索的接口和算法的设计。
2009-08-05 cs.HC 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
PromptHash: Affinity-Prompted Collaborative Cross-Modal Learning for Adaptive Hashing Retrieval
School of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院）
针对现有跨模态哈希方法语义保留不足等问题，提出PromptHash框架，通过亲和性提示学习、门控融合架构与分层对比对齐提升检索性能，在NUS-WIDE等数据集上取得显著增益。
2025-03-20 cs.AI cs.CV cs.IR
Retrieval-Augmented Purifier for Robust LLM-Empowered Recommendation
The Hong Kong Polytechnic University（香港理工大学）
本文提出RETURN框架，通过检索外部协同信号净化被投毒的用户画像，以即插即用方式增强LLM推荐系统鲁棒性，并在三个数据集上验证其有效性。
2025-04-03 cs.AI cs.IR
MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation
Huazhong University of Science and Technology（华中科技大学）
MMP-Refer通过多模态路径检索增强LLM，提升推荐系统的可解释性，采用联合残差编码获取多模态嵌入，并设计启发式搜索算法获取检索路径，通过轻量级协作适配器映射图编码至LLM语义空间，提升交互信息理解。
2026-04-04 cs.IR
COTS: Collaborative Two-Stream Vision-Language Pre-Training Model for Cross-Modal Retrieval
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（北京大数据管理与分析方法重点实验室）
大规模的单流预训练在图像-文本检索中表现出了惊人的性能。遗憾的是，它面临着低的推理效率，由于沉重的注意层。最近，像CLIP和ALIGN这样具有高推理效率的双流方法也表现出了很好的性能，但是，它们只考虑了两个流之间的实例级对齐（因此仍有改进的空间）。为了克服这些局限性，我们提出了一种新的COLLaborative双流视觉语言预训练模型称为COTS的图像-文本检索，通过增强跨模态的互动。除了通过动量对比学习进行实例级对齐之外，我们还在COTS中利用了两个额外级别的跨模态交互：（1）令牌级交互-在不使用跨流网络模块的情况下设计了一个掩码视觉语言建模（MVLM）学习目标，其中对视觉编码器施加变分自编码器以生成每个图像的视觉令牌。(2)任务级交互-在文本到图像和图像到文本检索任务之间设计KL对齐学习目标，其中每个任务的概率分布是用动量对比学习中的负队列计算的。在公平的比较设置下，我们的COTS在所有双流方法中实现了最高的性能，并且具有相当的性能（但推理速度快10，800倍）。最新的单流方法。重要的是，我们的COTS也适用于文本到视频检索，在广泛使用的MSR-VTT数据集上产生新的最先进的技术。
2022-05-20 cs.CL cs.CV cs.IR
PI2I: A Personalized Item-Based Collaborative Filtering Retrieval Framework
Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
PI2I通过两阶段检索框架提升个性化推荐效果，优于传统CF方法并接近双塔模型，部署后提升淘宝交易率1.05%。
2026-01-23 cs.IR
Towards Completeness-Oriented Tool Retrieval for Large Language Models
Baidu Inc.（百度公司）
提出模型无关的协同学习工具检索方法COLT，通过捕获语义相似性与工具协同信息构建完整多样化工具集，其小模型性能超越大30倍参数的大模型。
2024-07-28 cs.CL cs.IR
Enabling Collaborative Parametric Knowledge Calibration for Retrieval-Augmented Vision Question Answering
University of Technology Sydney（悉尼大学）；East China Normal University（华东师范大学）；The Education University of Hong Kong（香港教育大学）
本文提出了一种统一的检索增强视觉问答框架，通过协作参数知识校准来充分利用KB-VQA中的跨任务协同效应，从而提升问答准确性。
2025-07-01 cs.CV cs.IR cs.MM
Graph Attention Collaborative Similarity Embedding for Recommender System
我们提出了图注意力协作相似性嵌入（GACSE），一个新的推荐框架，利用合作信息的用户项目二分图的表示学习。该框架由两部分组成：第一部分通过注意力机制嵌入传播学习用户-项目关联等显式图协同过滤信息;第二部分通过辅助损失学习用户-用户相似度、项目-项目相似度等隐式图协同过滤信息。我们设计了一个新的损失函数，它结合了BPR损失和自适应裕度以及相似性损失来进行相似性学习。在三个基准上进行的大量实验表明，我们的模型始终优于最新的最先进的模型。
2021-02-05 cs.IR
Hybrid and Collaborative Passage Reranking
University of Science and Technology of China（中国科学技术大学）；Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司）
针对段落检索中忽略上下文的问题，提出HybRank混合协同重排序方法，利用上游检索器相似度与稀疏/稠密特性，即插即用提升重排序性能。
2023-05-16 cs.AI cs.CL cs.IR
Collaborative User Prompt for Personalized Generative Recommendation
University College London（伦敦大学学院）
本文提出一种整合个体与集体偏好的人工智能框架，通过注意力机制融合相似兴趣用户的嵌入表示，提升推荐系统的个性化与协同性。
2026-03-21 cs.IR
Aiming at the Target: Filter Collaborative Information for Cross-Domain Recommendation
针对跨域推荐中的负迁移问题，本文提出CUT框架，以目标域用户相似性为约束过滤源域协同信息，并通过用户变换层和对比损失实现信息迁移，显著提升目标域推荐性能。
2024-03-29 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
PULSE: Socially-Aware User Representation Modeling Toward Parameter-Efficient Graph Collaborative Filtering
Korea Advanced Institute of Science and Technology（韩国科学技术院）
PULSE通过社会感知信号构建用户表示，实现参数高效的图协同过滤，优于多种基线方法。
2026-01-28 cs.IR
Preference-based Graphic Models for Collaborative Filtering
协同过滤是一种非常有用的通用技术，用于利用一组用户的偏好模式来预测项目对特定用户的效用。以往的研究已经研究了几个概率图模型的协同过滤有希望的结果。然而，虽然这些模型已经成功地捕捉用户和项目之间的相似性，在一种或另一种方式，他们都没有考虑到这样一个事实，即用户具有相似的兴趣项目可以有非常不同的评级模式;一些用户倾向于分配一个更高的评级比其他用户的所有项目。在本文中，我们提出和研究两个新的图形模型，解决用户偏好和评级之间的区别。在一个称为解耦模型的模型中，我们引入了两个不同的变量来将用户的偏好与他的评级解耦。在另一种称为偏好模型的模型中，我们对用户偏好的项目的排序进行建模，而不是用户对项目的数字评级。对两个电影评分数据集的实证研究表明，用户偏好和评分之间的区别的适当建模显着提高性能和一致。具体来说，建议解耦模型优于所有五个现有的方法，我们比较显着，但偏好模型是不是很成功。这些结果表明，显式建模的底层用户的喜好是非常重要的协同过滤，但我们不能完全忽略评级信息。
2012-10-19 cs.IR
Persona-DB: Efficient Large Language Model Personalization for Response Prediction with Collaborative Data Refinement
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊公司）
针对LLM个性化中数据库表示优化不足的问题，提出Persona-DB框架，通过分层构建与协同精炼提升检索效率，在缩减检索规模下保持准确率，并在冷启动场景下实现超10%的性能提升。
2025-02-03 cs.AI cs.CL cs.IR
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式，这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而，大多数模型只考虑了用户自身的行为和动态，而忽略了用户和项目之间的协作关系，即，用户的相似品味或物品的相似属性。由于没有对协作关系进行建模，这些方法缺乏推荐多样性，因此可能具有更差的性能。更糟糕的是，大多数现有的方法只考虑用户端的序列，而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题，我们提出了顺序协作推荐（SCoRe），有效地挖掘高阶协作信息，使用跨邻居关系建模，并利用用户端和项目端的历史序列，以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明，该模型优于强基线。
2019-11-10 cs.IR cs.LG
Can We Predict the Next Question? A Collaborative Filtering Approach to Modeling User Behavior
Qinghai University（青海大学）
针对现有系统静态建模用户偏好、无法捕捉交互行为动态序列的问题，提出协同过滤增强的问题预测（CFQP）框架，通过个性化记忆模块与图偏好传播动态建模用户-问题交互，有效生成模仿真实用户提问模式的智能体。
2025-11-17 cs.IR
Latent User Linking for Collaborative Cross Domain Recommendation
随着信息系统的广泛采用，推荐系统被广泛用于更好的用户体验。协同过滤是实现推荐系统的一种常用方法。然而，协同过滤方法高度依赖于用户的反馈，这往往是非常稀疏和难以获得。然而，如果可以使用来自密集得多的相关次级域的知识来增强稀疏目标域中的推荐准确性，则可以缓解这些问题。在这篇文章中，我们提出了一种跨域推荐系统的深度学习方法，通过链接跨域用户潜在表示作为跨域知识转移的一种形式。我们假设，跨域的用户口味和行为的相似性是清楚地观察到的低维用户的潜在表示。这些用户相似性用于链接域。因此，我们提出了一个基于变分自编码器的网络模型，用于跨域链接，并增加了上下文来处理稀疏数据和更好地传输跨域知识。我们进一步扩展该模型，使其更适合冷启动场景，并利用辅助用户信息来获得推荐准确性的额外收益。使用多个数据集的经验评估所提出的模型的有效性。实验证明，该模型优于最先进的技术。
2019-08-19 cs.IR
User-based collaborative filtering approach for content recommendation in OpenCourseWare platforms
内容推荐器系统或推荐系统表示信息过滤系统的子类，其试图预测用户偏好，即最有可能被用户正面“评级”的内容。目前，开放式课程（OCW）平台的推荐系统通常以两种方式之一生成推荐列表，即通过基于内容的过滤或基于用户的协同过滤（CF）。本文提出了内容推荐模块的概念性思想，该模块能够提出相关的甲板（演示文稿，教育材料等）。它特别分析了用于实现基于用户的CF方法和与内容评估相关的用户相关功能的合适技术。所提出的方法还设想了一个混合推荐系统，作为基于用户和基于内容的方法的组合，以提供一个全面和有效的解决方案的内容推荐。最后，为了评估和测试的目的，一个指定的内容推荐模块被实现为SlideWiki创作开放式课程平台的一部分。
2019-02-27 cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法，如协同过滤，只依赖于用户和项目之间的相似性，根据用户的偏好提供推荐。然而，协同过滤可能会导致提供差的推荐，因为它不依赖于其他有用的可用数据，如用户的位置，因此，建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的，例如电影推荐系统。为了提高推荐的准确性和质量，本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中，用户的位置已被利用，并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验，讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
A Faster Algorithm to Build New Users Similarity List in Neighbourhood-based Collaborative Filtering
基于邻域的协同过滤（CF）由于其易于实现和推荐准确率高的优点，在工业界已经应用了几十年。作为基于邻域的CF的核心，动态维护用户相似性列表的任务受到冷启动问题和可扩展性问题的挑战。近年来，针对这两个问题提出了多种解决方法。然而，这些方法应用$O(n^2)$算法来计算特殊情况下的相似性列表，其中新用户具有足够的推荐数据，具有相同的评级列表。针对这种特殊情况导致的计算量大的问题，设计了一种快速的（$O(\frac{1}{125}n^2)$）算法TwinSearch算法，避免了对新用户的相似度列表进行重复计算和排序，节省了计算资源。理论和实验结果都表明，TwinSearch算法比传统方法具有更好的运行时间。
2015-05-29 cs.IR
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
Dual-embedding based Neural Collaborative Filtering for Recommender Systems
Wuhan University（武汉大学）
在众多的推荐技术中，协同过滤（CF）是最成功的一种。CF中的一个关键问题是如何表示用户和项目。以前的作品通常代表一个用户（一个项目）作为一个向量的潜在因素（又名。\textit{embedding}），然后根据表示对用户和项之间的交互进行建模。尽管它的有效性，我们认为，这是不足以产生令人满意的嵌入协同过滤。受SVD++基于用户自身及其交互项表示用户的思想的启发，我们提出了一个通用的协同过滤框架DNCF，简称基于双嵌入的神经协同过滤，以利用历史交互来增强表示。除了学习用户（项目）的原始嵌入之外，我们还从交互项目（用户）的角度引入了额外的嵌入，以增强用户（项目）表示。在四个公开数据集上进行的大量实验证明了我们提出的DNCF框架的有效性，通过将其性能与几个传统的矩阵分解模型和其他最先进的基于深度学习的推荐模型进行比较。
2021-02-05 cs.IR cs.LG
User Profile Feature-Based Approach to Address the Cold Start Problem in Collaborative Filtering for Personalized Movie Recommendation
随着web2.0的普及，产生了大量与电影相关的用户生成内容。随着数据的持续指数增长，人们发现很难做出明智和及时的决策，因此不可避免地需要推荐系统。电影推荐系统帮助用户找到下一个兴趣或最佳推荐。在这个建议的方法中，作者应用的关系，用户特征得分来自用户项目的互动，通过评级，以优化预测算法的输入参数，用于推荐系统，以提高预测的准确性时，有较少的过去的用户记录。这解决了协同过滤中的一个主要缺点，即冷启动问题，与基本协同过滤算法相比，改进了8.4%。系统的用户功能生成和评估使用“MovieLens 100k浏览器”进行。所提出的系统也可以推广到其他领域。
2019-06-02 cs.IR cs.SI
Neural Variational Hybrid Collaborative Filtering
协同过滤（CF）是推荐系统中最常用的方法之一。由于贝叶斯的性质和非线性，深度生成模型，如变分自编码器（VAE），已被应用到CF任务，并取得了很好的性能。然而，大多数基于VAE的方法受矩阵稀疏性的影响，并认为用户的潜在因素的先验是相同的，这导致用户和项目的潜在表示较差。此外，大多数现有的方法模型的潜在因素，而不是用户的项目，这使得他们不能推荐项目给新用户。为了解决这些问题，我们提出了一个神经变分混合协同过滤，NVHCF。具体来说，我们认为用户和项目的生成过程，以及用户和项目的潜在因素的先验信息是侧信息特定的，这使得我们的模型，以减轻矩阵稀疏性和学习更好的用户和项目的潜在表示。为了推理的目的，我们推导出一个随机梯度变分贝叶斯（SGVB）算法来分析近似的潜在因素的用户和项目的棘手分布。在两个大型数据集上进行的实验表明，我们的方法显着优于最先进的CF方法，包括基于VAE的方法。
2019-02-25 cs.IR
Collaborative filtering based on multi-channel diffusion
在本文中，通过应用扩散过程，我们提出了一个新的指标来量化两个用户之间的相似性在用户-对象二分图。为了处理对象上的离散评级，我们使用多通道表示，其中每个对象被映射到多个通道，通道的数量等于不同评级的数量。每个频道表示某个等级，并且已经投票给对象的用户将被连接到与该等级相对应的频道。扩散过程发生在这样的用户通道二分图给出了一个新的用户对的相似性度量，这是进一步证明了比经典的皮尔逊相关系数在标准的协同过滤框架下更准确。
2009-06-05 cs.IR
NPE: Neural Personalized Embedding for Collaborative Filtering
矩阵分解是推荐系统中最有效的方法之一。然而，这种依赖于用户和项目之间的交互的算法对于“冷用户”（几乎没有这种交互历史的用户）以及在捕获密切相关的项目之间的关系方面表现不佳。为了解决这些问题，我们提出了一个神经个性化嵌入（NPE）模型，它提高了冷用户的推荐性能，并可以学习项目的有效表示。它从两个方面对用户对某个项目的点击进行建模：用户对该项目的个人偏好，以及该项目与用户点击的其他项目之间的关系。我们表明，NPE优于竞争方法的前N建议，特别是冷用户的建议。我们还进行了定性分析，显示了模型学习的表示的有效性。
2018-05-17 cs.IR
LiRa: A New Likelihood-Based Similarity Score for Collaborative Filtering
推荐系统数据对数据采掘、机器学习和算法社区提出了独特的挑战。高缺失数据率与推荐系统数据典型的大规模和高维度相结合，需要新的工具和方法来进行有效的数据分析。在这里，我们解决的挑战，在推荐系统中，对于每个用户只有一个小的评级是可用的两个用户之间的相似性评估。我们提出了一个新的相似性得分，我们称之为LiRa，基于用户相似性的统计模型，大规模的，离散值的数据与许多缺失值。我们发现，这个分数，基于似然比，是更有效地识别相似的用户比传统的相似性分数，基于用户的协同过滤，如皮尔逊相关系数。我们认为，我们的方法具有显着的潜力，以提高协同过滤的准确性和可扩展性。
2017-03-20 cs.IR
iTrace: An Implicit Trust Inference Method for Trust-aware Collaborative Filtering
随着互联网商务的发展，协同过滤（CF）算法被广泛应用于推荐系统中。协同过滤（CF）算法通过利用其他相似用户的投票向目标用户推荐感兴趣的项目。在标准CF框架中，假设每个投票用户的可信度相对于目标用户完全相同。这个假设是不满足的，因此可能会导致误导性的建议，在许多实际应用中。一个自然的对策是设计一个信任感知的CF（TaCF）算法，它可以考虑在执行CF时的投票用户的可信度的差异。为此，本文提出了一种信任推理方法，该方法可以从稀疏的显式信任矩阵预测目标用户对每个投票用户的隐式信任。然后提出了一种改进的CF算法iTrace，它利用CF框架中的显式信任和预测隐式信任来提供推荐。一个公共数据集上的实证评估表明，该算法提供了一个显着的改善，在推荐质量方面的平均绝对误差（MAE）。
2017-08-15 cs.IR
Pathwise Alignment for Collaborative Filtering: Bilateral Conditional Flow Regularization
The Hong Kong Polytechnic University（香港理工大学）
该研究针对协同过滤中矩阵分解受稀疏反馈约束不足的问题，提出PACF方法，通过共享网络的流匹配与轨迹一致性项实现用户间约束，在7个数据集上性能优于11个基线，稀疏反馈场景增益显著。
2026-10-14 cs.IR
Collaborative filtering with diffusion-based similarity on tripartite graphs
协同标签在信息系统的组织中发挥着越来越重要的作用。在本文中，我们研究了个性化推荐模型，利用用户，对象和标签之间的三元关系。我们提出了一种基于用户偏好和标签信息的用户相似性度量方法。两种类型的用户之间的相似性计算，通过使用一个基于扩散的过程，然后集成推荐。我们测试了所提出的方法在一个标准的协同过滤框架与三个指标：排名分数，召回率和精度，并证明它比常用的余弦相似性表现得更好。
2009-10-17 cs.IR
Collaborative Filtering with Graph-based Implicit Feedback
SVD++在矩阵分解（MF）方法中引入用户的消费项目作为用户的隐式反馈，是个性化推荐系统中最有效的协同过滤方法之一。虽然功能强大，SVD++有两个限制：（i）。仅利用用户侧隐式反馈，而不利用也可以丰富项表示的项侧隐式反馈;（ii）.在SVD++中，隐式反馈组合时交互项的权重相等，不能准确反映用户的真实偏好。针对上述局限性，本文提出了基于图的协同过滤（GCF）模型、基于加权图的协同过滤（W-GCF）模型和基于注意图的协同过滤（A-GCF）模型。基于用户-项目二分图将隐式反馈推广到项目侧;（ii）.在隐式反馈中灵活地学习个体的权重，从而提高模型的性能。综合实验结果表明，该模型的性能优于现有模型;对于稀疏隐式反馈场景，通过利用第二步隐式反馈信息，进一步提高了模型的性能.
2018-03-09 cs.IR
Collaborative Item Embedding Model for Implicit Feedback Data
协同过滤是推荐系统中最常用的方法。执行协同过滤的一种方法是矩阵分解，它使用隐向量来表征用户偏好和项目属性。这些潜在向量善于捕捉用户和项目的全局特征，但在捕捉用户之间或项目之间的局部关系方面不强。在这项工作中，我们提出了一种方法来提取项目之间的关系，并将它们嵌入到因子分解模型的潜在向量。这结合了两个世界：用于协同过滤和项目嵌入的矩阵分解，这是与语言处理中的词嵌入类似的概念。我们在三个真实数据集上的实验表明，我们提出的方法在top-n推荐任务上优于竞争方法。
2018-05-14 cs.IR
Collaborative Ensemble Learning: Combining Collaborative and Content-Based Information Filtering via Hierarchical Bayes
Siemens Corporate Technology（西门子企业技术）；Microsoft Research Asia（微软亚洲研究院）
协同过滤（CF）和基于内容的过滤（CBF）在信息过滤应用中得到了广泛的应用。这两种方法都有各自的优点和缺点，这就是为什么研究人员开发了混合系统。本文提出了一种新的方法来统一CF和CBF的概率框架，命名为协同集成学习。它使用概率支持向量机对每个用户的配置文件进行建模在预测阶段，它结合了一个社会的用户配置文件，由他们各自的SVM模型表示，以预测一个活跃的用户偏好（CF思想）。组合方案嵌入在概率框架中并保留直观的解释。此外，协同集成学习不需要一个全局的训练阶段，因此可以逐步纳入新的数据。2我们报告的结果基于两个数据集。对于路透社-21578文本数据集，我们模拟用户评级的假设下，每个用户只感兴趣的一个类别。在第二个实验中，我们使用用户对一组642艺术图像的意见，这些图像是通过基于网络的调查收集的。对于这两个数据集，协作集成在推荐准确性方面取得了优异的性能。
2012-10-19 cs.IR cs.LG stat.ML
Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems
Know-Center GmbH（Know-Center有限公司）；Graz University of Technology（格拉茨技术大学）
多媒体推荐系统建议媒体项目，例如，歌曲、（数字）书籍和电影，提供给用户。在本文中，我们研究了这种基于协作过滤的多媒体推荐系统的一个潜在问题，即流行的偏见，导致不受欢迎的项目在推荐列表中的代表性不足。因此，我们研究了四个多媒体数据集，即，LastFm、MovieLens、BookCrossing和MyAnimeList，我们将它们各自分成三个用户组，这三个用户组的受欢迎程度不同，即，LowPop、MedPop和HighPop。使用这些用户组，我们评估了四个合作过滤为基础的算法的流行偏见的项目和用户的水平。我们的发现有三个方面：首先，我们表明，对流行项目不感兴趣的用户往往具有大的用户简档，因此是多媒体推荐系统的重要数据源。其次，我们发现受欢迎的项目比不受欢迎的项目更频繁地被推荐。第三，我们发现，用户很少兴趣到流行的项目收到显着较差的推荐比用户有中等或高的兴趣到流行。
2022-03-01 cs.AI cs.IR
Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations
University of California, San Diego（加州大学圣地亚哥分校）；Adobe Research（Adobe研究）
本文提出多智能体协同过滤框架，通过动态协作机制提升智能推荐效果。
2026-01-26 cs.CL 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
