beeFormer: Bridging the Gap Between Semantic and Interaction Similarity in Recommender Systems
针对现有句子Transformer模型未利用推荐系统交互数据的问题，本文提出beeFormer框架用交互数据训练句子Transformer，实现跨数据集知识迁移，性能优于语义相似性模型与传统协同过滤，为通用领域无关推荐文本表示模型训练提供可能。
2024-10-08 cs.IR
Universal Reusability in Recommender Systems: The Case for Dataset- and Task-Independent Frameworks
Huawei Ireland Research Centre（华为爱尔兰研究中心）
本文提出数据集与任务无关推荐系统（DTIRS）框架，借助数据集描述语言DsDL实现标准化描述与自主特征工程、模型选择和优化，旨在消除为每个新数据集或任务重建推荐流水线的需要，从而最大化代码可复用性并降低采用门槛。
2025-06-03 cs.AI cs.DB cs.IR
Universal Item Tokenization for Transferable Generative Recommendation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院）
提出UTGRec，一种通用物品标记化方法，通过多模态大语言模型和树形码本实现跨领域可迁移的生成式推荐，并在四个公开数据集上验证其优越性。
2025-05-25 cs.AI cs.IR
Pre-trained Neural Recommenders: A Transferable Zero-Shot Framework for Recommendation Systems
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对新领域需从头训练 NCF 的问题，本文提出利用用户-物品交互矩阵的通用统计特征学习跨数据集表示，构建无需辅助信息的零样本预训练推荐框架。
2023-09-29 cs.AI cs.IR
DIET: Learning to Distill Dataset Continually for Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）
DIET通过持续蒸馏数据集提升推荐系统模型训练效率，压缩数据至原大小的1-2%，降低模型迭代成本60倍，且在不同架构间保持良好泛化性。
2026-03-26 cs.IR
Generalized Embedding Machines for Recommender Systems
University of Glasgow（格拉斯哥大学）；Tencent AI Lab（腾讯AI实验室）；Northeastern University（东北大学）
本文提出广义嵌入机（GEM），利用图卷积网络在嵌入层面建模高阶特征交互，并与多种因子分解机模型集成，在真实数据集上取得显著提升。
2020-02-16 cs.IR cs.LG stat.ML
Graph Factorization Machines for Cross-Domain Recommendation
最近，图神经网络（GNNs）已成功地应用于推荐系统。在推荐系统中，用户对一个项目的反馈行为通常是多个因素同时作用的结果。然而，一个长期存在的挑战是如何有效地聚合GNN中的多阶相互作用。在本文中，我们提出了一个图因子分解机（GFM），它利用流行的因子分解机聚合多阶的相互作用，从邻居的推荐。同时，跨域推荐也成为解决推荐系统中数据稀疏性问题的一种可行方法。然而，大多数现有的跨域推荐方法可能会失败时，面对图结构的数据。为了解决这个问题，我们提出了一个通用的跨域推荐框架，它不仅可以应用于建议的GFM，也可以应用于其他GNN模型。我们在四对数据集上进行实验，以证明GFM的优越性能。此外，基于一般跨域推荐实验，我们还证明了我们的跨域框架不仅可以为GFM的跨域推荐任务做出贡献，而且对于各种现有GNN模型具有通用性和可扩展性。
2020-07-12 cs.IR
Zero-Shot Recommender Systems
AWS AI Labs（亚马逊人工智能实验室）；Rutgers University（罗格斯大学）
推荐系统（RS）的性能在很大程度上依赖于可用的训练数据的量。这给早期产品带来了一个先有鸡还是先有蛋的问题，而早期产品的数据量又依赖于RS的性能。另一方面，零样本学习承诺从旧数据集到全新数据集的某种程度的泛化。在本文中，我们探讨了零样本学习在RS中的可能性。我们开发了一种名为ZEro-Shot Recommenders（ZESRec）的算法，该算法在旧数据集上进行训练，并推广到一个新的数据集，其中既没有重叠的用户，也没有重叠的项目，这是一种对比典型的跨域RS的设置。与分类项目指数不同，即，item ID，在以前的方法中，ZESRec使用项目的自然语言描述（或描述嵌入）作为其连续索引，因此自然地推广到任何未见过的项目。在用户方面，ZESRec建立在序列RS的最新进展基础上，利用用户与项目的交互来表示用户，从而也推广到看不见的用户。我们研究了三对真实世界的RS数据集，并证明ZESRec可以成功地在这种zero-shot设置中实现推荐，为解决数据稀缺的初创公司或早期产品的鸡和蛋问题开辟了新的机会。
2021-10-12 cs.AI cs.IR cs.LG
Pre-trained Recommender Systems: A Causal Debiasing Perspective
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；AWS AI Labs（AWS AI 实验室）；Washington State University（华盛顿州立大学）
本文提出通用推荐器PreRec，通过因果去偏的分层贝叶斯深度学习模型解决跨领域数据偏差问题，显著提升零样本与少样本推荐性能。
2024-01-08 cs.AI cs.IR
A Pre-trained Sequential Recommendation Framework: Popularity Dynamics for Zero-shot Transfer
提出预训练序列推荐框架PrepRec，通过建模物品流行度动态学习通用表示，实现零样本迁移且性能媲美SOTA，并能显著提升现有模型指标。
2025-06-28 cs.IR
Tensor Completion with Provable Consistency and Fairness Guarantees for Recommender Systems
提出基于单位尺度一致性的张量补全框架，保证推荐系统解的存在性与唯一性，兼具公平性，算法复杂度线性，无需启发式统计或AI方法。
2023-10-17 cs.IR cs.LG
Universal Multi-modal Multi-domain Pre-trained Recommendation
针对现有多域预训练推荐忽略多模态物品内容、未充分利用全交互域用户行为的问题，提出UniM^2Rec方法预训练通用多模态物品表示，可高效迁移至新域，在5个真实数据集上性能优于现有方法。
2023-11-03 cs.IR
Recommender Systems with Generative Retrieval
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Google DeepMind（谷歌DeepMind）；Google（谷歌）
该研究提出基于Semantic ID的生成式检索推荐方法，用Transformer序列模型自回归解码物品语义ID，在多数据集上性能超SOTA，还提升了冷启动物品的检索泛化能力。
2023-11-03 cs.IR cs.LG
A Comprehensive Review on Harnessing Large Language Models to Overcome Recommender System Challenges
Linkedin, Carnegie Mellon University, Stanford University（LinkedIn、卡内基梅隆大学、斯坦福大学）；Meta；Linkedin, Meta AI, Amazon, Boston University（LinkedIn、Meta AI、亚马逊、波士顿大学）；Amazon（亚马逊）
该综述梳理了大语言模型在提示驱动候选检索、语言原生排序等推荐场景的应用，分类了LLM驱动的推荐架构，分析其解决传统推荐系统瓶颈的效果，为LLM增强推荐系统设计提供结构化框架。
2025-10-03 cs.AI cs.IR
Towards Next-Generation Recommender Systems: A Benchmark for Personalized Recommendation Assistant with LLMs
The Hong Kong Polytechnic University（香港理工大学）；Baidu Inc.（百度公司）
本文提出RecBench+数据集，用于评估LLM在复杂用户推荐任务中的能力，揭示LLM在处理条件查询时的优势及推理挑战。
2026-02-02 cs.AI cs.IR
Enhancing Content-based Recommendation via Large Language Model
Nanjing University of Science and Technology（南京理工大学）；Kuaishou Technology（快手科技）
提出插件式语义知识转移方法LoID，通过基于LoRA的大语言模型预训练提取多方面语义信息，并利用基于ID的对比目标对齐特征空间，显著提升了基于内容的推荐性能。
2024-07-28 cs.CL cs.IR
Robust Explainable Recommendation
本文针对可解释推荐系统在噪声和攻击下解释能力退化的问题，提出一个通用防御框架，并在多个数据集上验证其能提升全局可解释性的鲁棒性与泛化性。
2025-03-07 cs.IR cs.LG
Interaction-aware Factorization Machines for Recommender Systems
Advertising and Marketing Services, Corporate Development Group, Tencent Inc.（腾讯公司广告与营销服务部、企业发展集团）；zju.edu.cn（浙江大学（注：此为邮箱域名，非明确机构名，按要求不应提取，但原HTML中作者邮箱部分可能存在格式问题，根据提取范围，仅提取明确的机构名，此处原文本中唯一明确的机构是腾讯公司的部门，故仅保留该机构））
因子分解机（FM）是一种广泛使用的监督学习方法，它通过有效地建模特征之间的交互作用来实现。尽管FM及其许多深度学习变体的成功应用，但公平地对待每个特征交互可能会降低性能。例如，无用特征的交互可能会引入噪声;当与不同特征交互时，特征的重要性也可能不同。在这项工作中，我们提出了一个新的模型命名为\emph{Interaction-aware Factorization Machine}（IFM）通过引入交互感知机制（IAM），其中包括\emph{feature aspect}和\emph{field aspect}，学习灵活的互动在两个层次上。特征方面通过注意力网络学习特征交互重要性，而场方面学习特征交互效果，作为特征交互向量与相应场交互原型的参数相似度。IFM引入了更多的结构化控制，并以分层的方式学习功能交互的重要性，这允许在功能和字段级别上调整交互时有更多的杠杆作用。此外，我们给出了一个更通用的架构，并提出了交互感知神经网络（INN）和DeepIFM来捕获高阶交互。为了进一步提高IFM的性能和效率，开发了一种基于场方面重要性来选择交互的采样方案。两个著名的数据集的实验结果表明，所提出的模型比国家的最先进的方法的优越性。
2019-02-26 cs.IR cs.LG cs.SI
