Recommendation systems: a joint analysis of technical aspects with marketing implications
2010年,仅在亚马逊,网络用户每秒订购73件商品,并对他们的消费体验做出大量评论。随着Web的成熟,变得社会化和参与性,协作过滤器是搜索有关人员,事件和产品的在线信息的基本补充。在Web 2.0中,连接的消费者创建的不仅仅是内容(例如评论),而是上下文。这种新的消费情境框架是通过大规模地聚集和协同过滤网络上的个人偏好而出现的。更重要的是,它促进了互联消费者更有效地搜索和浏览复杂的网络,并增强了对质量的激励。本文的目的是共同审查的基本程式化的事实,在计算机和营销研究的相关研究,以分享一些共同的见解推荐系统。在提供了一个全面的定义的商品和用户在Web上,我们描述了一个分类的推荐系统的基础上两个家庭的标准:如何形成的建议和输入数据的可用性。该分类是在一个共同的最小矩阵符号,并作为一个桥梁,在商业和营销文献的相关问题。我们的分析集中在一对一营销,基于网络的营销,网络营销和气氛及其在网络个性化和适应过程中的影响。市场购物篮分析的背景下,建议系统。关于进一步研究的讨论涉及推荐系统的业务影响和技术挑战。
2011-12-10 cs.IR stat.AP
Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
University of California, Irvine(加州大学欧文分校);Brown University(布朗大学);Southwest Jiaotong University(西南交通大学)
本文提出融合协同过滤与大语言模型的增强推荐方法,利用LLMs增强文本理解以缓解冷启动和数据稀疏问题,实验证明其能显著提升推荐准确性与多样性。
2024-12-25 cs.AI cs.IR
GRP v0.1 Technical Report
Snap Inc.(Snap公司)
GRP是一个将检索、排序和奖励建模统一到单一编码器-解码器模型的生成式推荐框架,通过mGRPO强化学习后训练和多项服务优化,在在线实验中实现观看时间与份额提升,支持渐进式部署。
2026-09-30 cs.IR
OneRec Technical Report
Kuaishou(快手)
针对传统推荐系统多级级联架构的局限,提出端到端生成式框架 OneRec,通过提升计算 FLOPs、引入强化学习与基础设施优化,大幅降低运营成本并显著提升快手应用留存与停留时间。
2025-09-16 cs.IR
CUPCF: Combining Users Preferences in Collaborative Filtering for Better Recommendation
如何在朋友和熟人的意见和品味之间做出最好的决定?因此,推荐系统被用来解决这些问题。常见的算法使用相似性度量来预测活跃用户对特定项目的偏好。根据冷启动和数据稀疏的问题,这些系统不能预测和建议特定的项目给用户。在本文中,我们介绍了一种新的推荐系统,能够发现用户的喜好,并在此基础上,提供建议。我们提出的系统称为CUPCF是一个组合的两个相似性措施,在协同过滤,以解决数据稀疏性问题和预测差(高预测出错率)的问题,更好地推荐。基于MovieLens数据集的实验结果表明,结合用户最近邻的偏好,所提出的系统出错率相比一些最先进的推荐方法有所提高。此外,实验结果表明了CUPCF的有效性。系统的最大改进出错率为15.5%,CUPCF的最大准确度、精确度和召回率分别为0.91402、0.91436和0.9974。
2019-08-13 cs.IR cs.SI
All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era
该研究梳理大语言模型时代推荐系统的技术演进,提出列表式与对话式两条演化路径,指出二者最终汇聚于具备记忆、反思、工具能力的LLM智能体,并分析各阶段挑战与未来方向。
2024-07-14 cs.IR
BoostJet: Towards Combining Statistical Aggregates with Neural Embeddings for Recommendations
EPFL(洛桑联邦理工学院);Yandex
推荐器由于其在许多电子商务应用中的广泛适用性而在近年来变得广泛流行。这些应用程序依赖于广告服务器为各种优惠生成广告或提供内容推荐。然而,生成的推荐的质量取决于用户特征(如人口统计学,时间性),提供特征(如流行度,价格)和用户提供特征(如隐式或显式反馈)。当前最先进的浏览器在生成推荐的同时不同时探索这些不同的特征。在本文中,我们首先介绍了跟踪器的概念,它使我们能够捕捉上述功能,从而通过不同功能(人口统计,时间性,流行度,价格)的统计聚合,将用户的在线行为。我们还展示了如何根据他们的消费序列来捕获报价关系,在我们的Offer2Vec算法中利用神经嵌入来提供报价。然后,我们介绍了BoostJet,一种新的推荐器,它集成了跟踪器以及使用MatrixNet的神经嵌入,这是一种高效的梯度提升决策树的分布式实现,以显着提高推荐质量。我们在Yandex的数据集上对BoostJet进行了深入的评估,收集了数千万在线用户的在线行为,以证明BoostJet在推荐质量和可扩展性方面的实用性。
2017-12-07 cs.IR cs.LG stat.ML
Deep Meta-learning in Recommendation Systems: A Survey
近年来,基于深度神经网络的推荐系统作为信息过滤技术取得了巨大的成功。但由于从头开始的模型训练需要足够的数据,基于深度学习的推荐方法仍然面临数据不足和计算效率低下的瓶颈。元学习作为一种提高算法学习效率和泛化能力的新兴学习范式,在解决数据稀疏性问题方面表现出了强大的优势。最近,越来越多的基于深度元学习的推荐系统的研究已经出现,以提高在可用数据有限的推荐场景下的性能,例如用户冷启动和项目冷启动。因此,这项调查提供了对当前基于深度元学习的推荐方法的及时和全面的概述。具体而言,我们提出了一个分类讨论现有的方法,根据推荐场景,元学习技术,Meta知识表示,这可以提供设计空间,基于元学习的推荐方法。对于每个推荐场景,我们进一步讨论了现有方法如何应用元学习来提高推荐模型的泛化能力的技术细节。最后,我们还指出了目前研究中的一些局限性,并强调了未来在这一领域的研究方向。
2022-06-09 cs.IR
Automatic playlist continuation using a hybrid recommender system combining features from text and audio
ACM RecSys Challenge 2018专注于自动播放列表延续背景下的音乐推荐。在本文中,我们描述了我们的方法的问题和最终的混合动力系统,提交给我们的团队Cocoplaya的挑战。该系统包括使用排名融合由两个不同的模型产生的建议相结合。第一个模型是基于矩阵分解,它结合了来自曲目音频和播放列表标题的信息。第二个模型基于典型曲目同现并考虑其在播放列表中的接近度来生成推荐。所提出的方法是有效的,并实现了良好的整体性能,我们的模型在挑战排行榜的创意轨道上排名第四。
2019-01-02 cs.IR cs.MM
Multi-Interest Recommendation: A Survey
本综述系统梳理多兴趣推荐的研究进展,回答其重要性、建模关注点及应用技术细节,为研究者提供基础框架与未来方向指引。
2025-06-18 cs.IR
A Synthetic Approach for Recommendation: Combining Ratings, Social Relations, and Reviews
National Key Laboratory for Novel Software Technology(新型软件技术国家重点实验室);Nanjing University(南京大学);Hong Kong Baptist University(香港浸会大学)
推荐系统(RS)提供了一种有效的方式来缓解信息过载问题,通过选择个性化的选择。在线社交网络和用户生成的内容为评级之外的推荐提供了多样化的来源,这为传统的RS带来了机遇和挑战。虽然社会矩阵分解(Social MF)可以将评分与社会关系结合起来,主题矩阵分解可以将评分与项目评论结合起来,但两者都忽略了一些有用的信息。在本文中,我们研究了有效的数据融合相结合的两种方法,在两个步骤。首先,我们扩展社会MF利用邻居的图结构。其次,我们提出了一个新的框架MR3联合建模这三种类型的信息有效地评级预测对齐潜在因素和隐藏的主题。我们在两个真实数据集上实现了更准确的评级预测。此外,我们衡量的贡献,每个数据源的建议框架。
2016-01-11 cs.AI cs.IR cs.LG
Joint Modeling of Search and Recommendations Via an Unified Contextual Recommender (UniCoRn)
Netflix Research(网飞研究院)
本文提出统一深度学习模型UniCoRn,联合处理搜索与推荐任务,以解决分开开发导致的维护复杂和技术债务问题。
2024-08-19 cs.AI cs.IR cs.LG
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展,现有方法的性能在有效性和效率方面恶化,这提出了严峻的技术挑战。为了利用高维边信息,本文提出了一种嵌入式特征选择方法,以促进顶部$N$推荐。特别是,我们建议学习边信息的特征权重,其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重,以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题,分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明,该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
The Application of Large Language Models in Recommendation Systems
该研究探讨大语言模型在推荐系统中的应用,指出其可利用非结构化数据克服传统推荐方法的局限,提升推荐效果与系统适配性,同时分析了落地挑战及行业创新潜力。
2025-01-17 cs.IR
Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
本文研究如何结合用户社交关系与评分历史相似性,提出去除异常值的输入处理方法,并基于图卷积协同过滤提升推荐系统的准确率和召回率。
2025-06-03 cs.IR
Self-Supervised Graph Co-Training for Session-based Recommendation
基于会话的推荐通过利用短时间内的用户行为来预测下一项。与其他推荐模式相比,基于会话的推荐更容易受到数据稀疏性问题的影响,这是由于非常有限的短期交互。自监督学习可以从原始数据中发现真实样本,在解决这一问题方面具有巨大的潜力。然而,现有的自监督推荐模型主要依赖于项目/片段的丢弃来增加数据,这不适合基于会话的推荐,因为丢弃会导致数据稀疏,产生不可用的自监督信号。在本文中,信息会话为基础的数据增强,我们结合自监督学习与协同训练,然后开发一个框架,以提高基于会话的推荐。从技术上讲,我们首先利用基于会话的图来增强展示会话的内部和外部连接性的两个视图,然后我们在这两个视图上构建两个不同的图编码器,它们递归地利用不同的连接性信息来生成地面实况样本,以通过对比学习来监督彼此。与dropout策略相比,所提出的自监督图协同训练保留了完整的会话信息,并实现了真正的数据增强。在多个基准数据集上进行的大量实验表明,在自监督图协同训练机制下,基于会话的推荐可以得到显著增强,达到最先进的性能。
2021-08-24 cs.IR
LiveForesighter: Generating Future Information for Live-Streaming Recommendations at Kuaishou
本文提出LiveForesighter,针对直播内容动态变化和长时观看行为,研究如何预测用户当前及未来一段时间感兴趣的直播,以改进快手直播推荐效果。
2025-02-10 cs.IR
Personalized Recommendation Models in Federated Settings: A Survey
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);School of Computer Science and Technology, Beijing Jiaotong University(北京交通大学计算机科学与技术学院);Hong Kong University of Science and Technology(香港科技大学);WeBank(微众银行)
本文系统综述了联邦推荐系统中的个性化建模研究,梳理其从中心化到联邦范式的演进,定义联邦个性化概念,分析技术挑战并总结有前景的解决方法,为该领域提供首份整合性技术参考。
2025-03-10 cs.AI cs.IR
Contextual Sequence Modeling for Recommendation with Recurrent Neural Networks
推荐可以从推荐时良好的用户状态表示中受益匪浅。最近利用循环神经网络(RNN)进行基于会话的推荐的方法表明,深度学习模型可以为推荐提供有用的用户表示。然而,当前的RNN建模方法仅通过考虑用户过去与之交互的项目序列来总结用户状态,而不考虑其他基本类型的上下文信息,例如用户-项目交互的关联类型,事件之间的时间间隔以及每次交互的时间。为了解决这个问题,我们提出了一类新的上下文循环神经网络推荐(CRNN),它可以考虑输入和输出层的上下文信息,并通过将上下文嵌入与项目嵌入相结合来修改RNN的行为,更明确地说,在模型动态中,通过将隐藏单元转换参数化为上下文信息的函数。我们将CRNN方法与RNN和非顺序基线进行了比较,并在下一个事件预测任务上显示出良好的改进。
2017-06-23 cs.IR
Estimating Propensity for Causality-based Recommendation without Exposure Data
本文提出PropCare框架,在仅有交互数据、无曝光或倾向性真实标签的条件下估计倾向性与曝光,并结合物品流行度实现有竞争力的因果关系推荐,同时给出因果效应偏差的理论分析和实验验证。
2023-11-01 cs.IR
Hotel Recommendation System Based on User Profiles and Collaborative Filtering
EtsTur İstanbul(EtsTur 伊斯坦布尔);Bilgisayar ve Bilişim Fakültesi İstanbul Teknik Üniversitesi(伊斯坦布尔理工大学计算机与信息学院);Bilgisayar Mühendisliği Bölümü Koç Üniversitesi(科奇大学计算机工程系)
如今,人们开始使用在线预订系统来计划他们的假期,因为他们有大量的选择。从这个大规模的选择中选择何时何地变得越来越困难。此外,有时消费者可能会错过更好的选择,因为在线预订系统上有丰富的信息。从这个意义上说,个性化服务,如推荐系统在决策中发挥着至关重要的作用。两种传统的推荐技术是基于内容的和协同过滤。虽然这两种方法都有各自的优点,但它们也有一定的缺点,其中一些可以通过结合这两种技术来解决,以提高推荐的质量。由此产生的系统被称为混合推荐系统。本文提出了一种新的混合式酒店推荐系统,该系统结合了基于内容和协同过滤的方法,为客户推荐他们需要的酒店,并节省他们的时间损失。
2020-09-21 cs.IR cs.LG
Movie Recommendation using Web Crawling
本文提出结合网络爬取实时数据与静态数据集训练的推荐系统,采用混合过滤方法,以提升电影推荐的个性化和时效性。
2024-12-14 cs.IR
A Deep Multimodal Approach for Cold-start Music Recommendation
Universitat Pompeu Fabra(庞培法布拉大学);Pandora Media, Inc.(潘多拉媒体公司)
每天都有越来越多的数字音乐被发布。音乐流媒体服务通常会摄取所有可用的音乐,但这带来了一个挑战:如何推荐缺乏先验知识的新艺术家?在这项工作中,我们的目标是通过使用深度网络架构将文本和音频信息与用户反馈数据相结合来解决这个所谓的冷启动问题。我们的方法分为三个步骤。首先,通过结合语义、文本特征和聚合使用数据,从传记中学习艺术家嵌入。第二,从音频信号和可用的反馈数据学习轨道嵌入。最后,艺术家和轨道嵌入在一个多模态网络相结合。结果表明,在特征级别之间分割推荐问题(即,艺术家元数据和音轨),并且在多模式方法中合并特征嵌入提高了推荐的准确性。
2017-07-24 cs.IR cs.LG
Garment Recommendation with Memory Augmented Neural Networks
University of Florence(佛罗伦萨大学)
时尚在社会中发挥着举足轻重的作用。适当地组合服装对于人们传达他们的个性和风格至关重要。此外,不同的活动要求服装要彻底选择,以遵守潜在的社会服装规则。因此,适当地组合服装可能不是微不足道的。时尚行业已经将其转化为一个巨大的收入来源,依靠复杂的推荐系统为客户检索和推荐合适的服装。为了执行更好的推荐,可以考虑用户偏好或购买历史来执行个性化建议。在本文中,我们提出了一个服装推荐系统对不同的服装项目,即上衣和下装,利用记忆增强神经网络(MANN)。通过训练存储器写入控制器,我们能够存储样本的非冗余子集,然后将其用于检索合适底部的排名列表以补充给定顶部。特别是,我们的目标是检索各种形式,其中某一服装可以结合起来。为了改进我们的建议,我们通过矩阵分解包含用户偏好。我们在IQON 3000上进行了实验,这是一个从在线时尚社区收集的数据集,报告了最先进的结果。
2020-12-11 cs.CV cs.IR
Combining Retrieval-Augmented Text Generation with LLMs for Reading Content Recommendations
Institute of Computer Science, Warsaw University of Technology(计算机科学学院,华沙技术大学)
提出结合检索增强生成(RAG)与大型语言模型的系统,通过四个模块实现个性化阅读内容生成,实验表明RAG将相关性和接地性提升26-35个百分点。
2026-06-16 cs.AI cs.IR
OpenOneRec Technical Report
Kuaishou(快手)
OpenOneRec 通过 RecIF-Bench 和大规模数据集提升推荐系统智能,展示模型在复杂任务中的卓越表现。
2026-02-04 cs.IR
LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation
本文提出一种结合隐式行为与显式语义的双层多兴趣序列推荐框架,利用LLM提取语义表示增强传统行为模型,推理时仅用行为模块实现高效推荐。
2025-05-07 cs.IR
Learning Graph ODE for Continuous-Time Sequential Recommendation
针对用户偏好动态演化及交互时间非均匀问题,本文提出GDERec图常微分方程框架,利用两个交替训练的定制GNN从非规则观测中学习连续时间用户与物品表示,并在五个基准上验证其优于现有方法。
2024-01-20 cs.IR
RecGPT Technical Report
Taobao(淘宝)
针对传统推荐系统依赖日志拟合导致的过拟合、信息茧房等问题,提出以用户意图为核心的RecGPT框架,集成LLM并采用多阶段训练范式,已在淘宝部署且实现全利益相关方性能提升。
2025-07-31 cs.CL cs.IR
SimCPSR: Simple Contrastive Learning for Paper Submission Recommendation System
University of Science(科学大学);Vietnam National University(越南国家大学);AISIA Research Lab(AISIA研究实验室)
推荐系统在许多领域,特别是学术领域,发挥着至关重要的作用,支持研究人员通过会议或期刊选择过程提交和提高他们的工作的接受度。本研究提出一个以转换器为基础的模式,并以迁移学习作为论文投稿推荐系统的有效方法。通过将关键信息(如标题、摘要和关键词列表)与期刊的目标和范围相结合,该模型可以推荐最大化论文接受度的Top K期刊。我们的模型通过两种状态发展:(i)用简单的对比学习框架微调预训练的语言模型(LM)。我们利用一个简单的监督对比目标来微调所有参数,鼓励LM有效地学习文档表示。(ii)然后,针对下游任务的不同特征组合对微调的LM进行训练。这项研究提出了一种更先进的方法,以提高效率的论文提交推荐系统相比,以前的方法,当我们分别达到0.5173,0.8097,0.8862,0.9496前1,3,5和10的准确率测试集结合的标题,摘要和关键字作为输入功能。通过对这些期刊的目标和范围的分析,我们的模型显示了一个令人兴奋的结果,前1、3、5和10名分别获得0.5194、0.8112、0.8866和0.9496。
2022-05-12 cs.CV cs.IR
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China(中国科学技术大学);University of Houston(休斯顿大学);University of Southern California(南加州大学);University of Tokyo(东京大学)
本文提出深度自适应兴趣网络(DAIN),通过动态建模用户兴趣并结合上下文感知学习机制,利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果,实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
Combining Embedding-Based and Semantic-Based Models for Post-hoc Explanations in Recommender Systems
Université de Technologie de Compiègne(贡比涅技术大学);Vivocaz(Vivocaz公司)
本文提出一种结合基于嵌入和基于语义模型的方法,利用基于本体的知识图谱在推荐系统中生成事后解释,以提升可解释性、增强用户信任并促进电子商务应用。
2024-01-09 cs.AI cs.IR
Semi-supervised Adversarial Learning for Complementary Item Recommendation
Meta;Amazon(亚马逊公司);University of Klagenfurt(克拉根福大学)
补充项目推荐是现代电子商务网站的普遍特征。当这些建议基于合作信号(如共同购买统计数据)时,它们非常有效。然而,在某些在线市场中,例如,在网上拍卖网站上,不断有新的物品被添加到目录中。在这种情况下,由于缺乏交互数据,补充项目推荐通常基于项目边信息。在这项工作中,我们提出了一种新的方法,可以利用项目边信息和标记的互补项目对,以产生有效的互补推荐冷项目,即,对于尚不存在共同购买统计数据的项目。考虑到补充项通常必须属于与种子项不同的类别,我们在技术上为每个项类别保留了一个潜在空间。同时,我们学习项目分布项目表示到这些类别空间,以确定合适的建议。在我们的架构中的主要学习过程利用标记的互补项对。此外,我们采用了循环生成对抗网络(CycleGAN)的思想,即使在给定项目和类别不存在标记数据的情况下,也可以利用可用的项目信息。在三个电子商务数据集上的实验表明,该方法是非常有效的。
2023-03-10 cs.IR cs.LG
The essential role of time in network-based recommendation
二分网络上的随机游走已被广泛用于设计个性化推荐方法。虽然老化已被确定为信息网络增长的一个关键组成部分,但大多数研究都集中在网络的结构特性上,而忽略了经常可用的时间信息。时间在很大程度上被研究的推荐方法以及用于评估它们的方法所忽视。我们表明,这种时间不知道的方法高估了方法的推荐性能。出于网络增长的微观规则,我们提出了一个时间感知的修改现有的推荐方法,并表明,通过结合时间和结构方面,它优于现有的方法。在快速老化的系统中,性能的改善尤其引人注目。
2016-06-15 cs.IR cs.SI physics.soc-ph
GReS: Graphical Cross-domain Recommendation for Supply Chain Platform
Taiyuan University of Technology(太原理工大学);Renmin University of China(中国人民大学);Meituan(美团);Zhejiang Gongshang University(浙江工商大学)
供应链平台(SCP)为下游行业提供了大量的原材料。与传统电子商务平台相比,由于用户兴趣有限,SCP中的数据更加稀疏。为了解决数据稀疏性问题,可以应用跨域推荐(CDR),其利用源域信息提高目标域的推荐性能。然而,将CDR直接应用于SCP,忽略了SCP中商品的层次结构,从而降低了推荐性能。为了利用这一特性,本文以餐饮平台为例,提出了一种图形化的跨域推荐模型GReS。该模型首先构建一个树形图来表示菜肴和食材的不同节点的层次结构,然后应用我们提出的结合GCN和BERT模型的Tree2vec方法嵌入图中进行推荐。商业数据集上的实验结果表明,GReS显着优于国家的最先进的方法在跨域推荐供应链平台。
2022-09-02 cs.AI cs.IR
TermPicker: Enabling the Reuse of Vocabulary Terms by Exploiting Data from the Linked Open Data Cloud - An Extended Technical Report
在将数据建模为链接开放数据(LOD)时,决定使用哪些词汇表术语绝非易事。选择过于通用的词汇表术语,或来自其他LOD数据集不使用的词汇表的术语,可能会导致数据表示,这将更难被人类理解,也更难被链接数据应用程序使用。在这份技术报告中,我们提出了TermPicker:一种新的词汇重用方法,通过利用LOD云上的其他数据提供者如何使用RDF类型和属性来描述其数据的信息来推荐RDF类型和属性。为此,我们引入了所谓的模式级模式(SLP)的概念。它们捕获RDF类型集合如何通过某些数据汇集中的属性集合进行连接,例如,在LOD云上的数据集中。TermPicker使用这样的SLP并生成一个词汇表术语的排序列表以供重用。推荐术语的列表通过使用机器学习方法学习排序(L2 R)计算的排序模型来排序。TermPicker基于推荐质量进行评估,该质量使用前五个位置的平均平均精度(MAP)和平均倒数秩(MRR@5)进行测量。我们的研究结果表明,使用SLP时,推荐质量提高了29% - 36%,相比之前调查的基线推荐仅受欢迎的词汇术语或来自相同词汇的术语。结合使用SLP和学习排序算法随机森林可以获得总体最佳结果。
2016-01-11 cs.DB cs.IR
DDTCDR: Deep Dual Transfer Cross Domain Recommendation
New York University(纽约大学)
跨领域推荐系统在帮助消费者从不同的类别中识别最满意的商品方面越来越有价值。然而,以前提出的跨领域模型没有考虑用户和项目之间的双向潜在关系。此外,它们不显式地对用户和项目特征的信息进行建模,而仅利用用户评级信息进行推荐。为了解决这些问题,在本文中,我们提出了一种新的方法,跨域建议的基础上的双重学习机制,在两个相关的域之间的信息传输,在迭代的方式,直到学习过程稳定。我们开发了一种新的潜在的正交映射提取用户的偏好在多个领域,同时保持用户之间的关系在不同的潜在空间。结合自动编码器方法提取特征信息的潜在本质,提出了深度双传输跨域推荐(DDTCDR)模型,在各个领域提供推荐。我们在包含电影,书籍和音乐项目三个领域的大型数据集上测试了所提出的方法,并证明它始终显着优于几种最先进的基线和经典的迁移学习方法。
2019-10-11 cs.IR cs.LG
TRAWL: External Knowledge-Enhanced Recommendation with LLM Assistance
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);Tencent(腾讯)
本文提出TRAWL方法,利用大语言模型从外部数据提取知识,并通过对比学习适配器训练,以增强基于行为的推荐系统,实验验证了其有效性。
2024-05-24 cs.AI cs.CL cs.IR
Episodes Discovery Recommendation with Multi-Source Augmentations
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Spotify Research(Spotify研究院)
推荐系统(RS)通常通过基于历史交互的用户兴趣建模,从大量的项目中为用户检索潜在的候选项目。然而,历史交互数据是高度稀疏的,大多数项目是长尾项目,这限制了项目发现的表示学习。新的或冷启动项目的发现进一步加剧了这个问题。例如,在用户在播客空间中显示对比特币金融投资节目的兴趣之后,推荐系统可能想要建议,例如,一个新发布的区块链节目,来自一个更技术化的节目。事件相关性有助于发现,特别是当事件的交互数据有限时。因此,我们建立在经典的双塔模型,并引入新的多源增强使用对比学习框架(MACL),以提高情节嵌入学习,从众多相关的语义结合积极的情节。在一个大型音频流媒体平台的真实播客推荐数据集上进行的大量实验表明了该框架对用户播客探索和冷启动剧集推荐的有效性。
2023-01-17 cs.AI cs.IR cs.LG
Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation
Chongqing University(重庆大学);The University of Queensland(昆士兰大学);Shandong Normal University(山东师范大学);University of Virginia(弗吉尼亚大学)
随着社交媒体的普及,最近出现了一批将重点从个人建模转移到群体推荐的广告商。由于群体偏好是群体成员各种偏好的混合,群体推荐的基本挑战是建立成员之间的相关性模型。现有的方法大多采用启发式或基于注意力的偏好聚合策略来合成群体偏好。然而,这些模型主要关注用户的成对连接,而忽略了组内和组外复杂的高阶交互。此外,由于组-项目交互的严重稀疏性,组推荐严重受到数据稀疏性问题的影响。在本文中,我们提出了一个自监督超图学习框架的组推荐,以实现两个目标:(1)捕获用户之间的组内和组间的交互;(2)减轻数据稀疏性问题与原始数据本身。从技术上讲,对于(1),开发了基于用户和组级超图的分层超图卷积网络,以对组内和组外用户之间的复杂元组相关性进行建模。对于(2),我们设计了一个双尺度节点丢弃策略来创建自监督信号,该信号可以针对稀疏性问题正则化具有不同粒度的用户表示。在多个基准数据集上的实验分析表明了该模型的优越性,同时也说明了超图建模和双尺度自监督的合理性。
2022-03-20 cs.AI cs.IR
Ensemble Learning Based Classification Algorithm Recommendation
本文提出一种多视角集成元学习框架,通过不同异构元特征组的组合构建基础推荐模型,并采用准确率和多样性感知的集成策略,实验证明该方法能有效提升分类算法推荐的性能。
2026-06-27 cs.AI cs.IR cs.LG
OneReason Technical Report
OneRec Team(OneRec团队)
针对生成式推荐模型中推理能力难以激活的问题,提出 OneReason 方法,通过增强感知和认知能力实现有效推理。
2026-06-04 cs.AI cs.CL cs.IR
SAIL-Embedding Technical Report: Omni-modal Embedding Foundation Model
ByteDance Douyin SAIL Team, CUHK MMLab(字节跳动抖音SAIL团队,CUHK MMLab)
本文提出全模态嵌入基础模型 SAIL-Embedding,通过多阶段训练方案(含内容感知渐进训练与协作感知推荐增强训练)解决多模态嵌入的模态限制与训练不稳定等问题,在多检索任务中达 SOTA,并在抖音推荐场景中显著提升 LT 与 AUC 指标。
2025-11-02 cs.CV cs.IR
Improving Sequential Recommendation with Attribute-augmented Graph Neural Networks
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);MX Media Co., Ltd(MX媒体有限公司)
许多实用的推荐系统仅仅通过挖掘用户与项目的交互来为不同的用户提供项目推荐,而完全忽略了用户交互项目的丰富属性信息。本文提出了一种属性扩充的图神经网络模型Murzim。Murzim将由用户-项目交互序列和相应的项目属性序列构建的图作为输入。通过将GNN与节点聚合和注意力网络相结合,Murzim可以捕获用户偏好模式,为用户-项目交互序列生成嵌入,然后通过下一个项目预测生成推荐。我们在多个数据集上进行了广泛的实验。实验结果表明,Murzim在召回率和MRR方面优于其他几种推荐方法,说明Murzim可以利用项目属性信息产生更好的推荐结果。目前,Murzim已经部署在印度最大的流媒体平台之一MX Player中,正在为数万名用户推荐视频。
2021-03-10 cs.AI cs.IR
RASTP: Representation-Aware Semantic Token Pruning for Generative Recommendation with Semantic Identifiers
Zhejiang University(浙江大学)
RASTP通过动态修剪低信息语义token,减少生成推荐系统的训练时间并保持推荐性能。
2026-01-26 cs.AI cs.IR
Better Recommendations: Validating AI-generated Subject Terms Through LOC Linked Data Service
Harvard University(哈佛大学);Indiana University(印第安纳大学)
本文提出结合AI生成与LOC关联数据服务人工验证的混合方法,以解决传统主题编目效率低和AI标目不准确的问题,提升元数据质量。
2025-07-18 cs.AI cs.DL cs.IR
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University(嘉应学院)
在大数据时代,推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来,推荐系统的技术发展经历了从感知学习到认知推理的过程,将推荐任务直观地构建为逻辑推理的过程,并取得了显著的进步。然而,推理中的逻辑陈述隐含地承认了排序的无关性,甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外,结合时间上下文的推荐模型将倾向于自我关注,即,自动聚焦更多(更少)的相关性(无关性)。针对这些问题,本文提出了一种基于时间感知的自注意力神经协作推理(TiSANCR)推荐模型,将时间模式和自注意力机制集成到基于推理的推荐中。特别是,时间模式表示的相对时间,提供上下文和辅助信息来描述用户的偏好在推荐,而自我注意是利用提取信息模式和抑制无关。因此,自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明,提出的TiSANCR推荐算法性能显著提高,并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
Cali3F: Calibrated Fast Fair Federated Recommendation System
University of Science and Technology of China(中国科学技术大学);Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司)
越来越严格的隐私保护法规引发了人们对联邦学习的兴趣。作为一个分布式机器学习框架,它通过在设备上训练一个全局模型,同时保持数据本地化,从而弥合了孤立的数据孤岛。针对推荐系统,人们提出了许多联合推荐算法来实现隐私保护的协同推荐。然而,若干制约因素基本上仍未得到探讨。一个大的问题是如何确保联邦学习的参与者之间的公平性,也就是说,保持跨设备推荐性能的一致性。另一方面,由于数据的异构性和有限的网络,在收敛速度方面出现了额外的挑战。针对这些问题,本文首先提出了一种个性化的联邦推荐系统训练算法,以提高推荐性能的公平性。然后,我们采用基于聚类的聚合方法来加速训练过程。结合这两个组件,我们提出了Cali3F,一个校准的快速和公平的联邦推荐框架。Cali3F不仅通过集群内参数共享方法解决了收敛问题,而且通过用全局模型校准局部模型来显着提高公平性。我们展示了Cali3F在标准基准数据集上的性能,并与传统的聚合方法进行了比较。
2022-05-26 cs.CY cs.IR cs.LG
WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report
WeChat Vision, Tencent Inc.(腾讯微信视觉部)
本报告提出WeMM-Embedding多模态嵌入模型家族,含2B、4B、9B变体,经两阶段训练后在公开基准及微信应用中表现优异,已部署并开源。
2026-08-26 cs.CL cs.CV cs.IR