With a Little Help From My Friends: Collective Manipulation in Risk-Controlling Recommender Systems
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心)
研究揭示风险控制推荐系统因依赖聚合反馈易受集体对抗操控影响,通过实验证明小群体可通过平台功能降低非对抗用户nDCG表现,并提出将保障从群体层面转向用户层面的缓解策略。
2026-03-30 cs.IR cs.LG cs.SI
The 1st Workshop on Human-Centered Recommender Systems
该研讨会聚焦以人为中心的推荐系统,旨在围绕鲁棒性、隐私、公平性、透明度和伦理等问题,探索更用户友好且负责任的推荐系统设计与评估方法。
2024-11-22 cs.IR
Multi-Step Critiquing User Interface for Recommender Systems
具有个性化解释的推荐已被证明可以增加用户信任和感知质量,并帮助用户做出更好的决策。此外,这种解释允许用户通过批评他们来提供反馈。因此,已经开发了几种用于多步评论的推荐系统的算法。然而,在过去十年中,提供基于个性化解释和评论的用户友好界面尚未得到解决。在本文中,我们介绍了四种不同的Web界面(可在https://lia.epfl.ch/critiquing/下获得),帮助用户做出决策并找到他们理想的项目。我们选择了酒店推荐领域作为用例,尽管我们的方法对其他领域的适应性很低。此外,我们的系统是模型不可知的(推荐系统和批评模型),允许很大的灵活性和进一步的扩展。我们的界面首先是一个有用的工具,以帮助研究建议与批评。它们允许在真实用例上测试这些系统,并强调这些方法的一些局限性,以找到克服这些局限性的解决方案。
2021-08-05 cs.IR
Reading Between the Lines: A Study of Thematic Bias in Book Recommender Systems
本文利用Book-Crossing数据集研究图书推荐中的主题偏差,发现其源于内容不平衡并被用户参与模式放大,小众和长尾兴趣用户获得的个性化推荐更少,为负责任AI和跨领域偏差分析奠定基础。
2025-08-21 cs.IR
Recommender Systems with Random Walks: A Survey
SUNY at Buffalo(纽约州立大学布法罗分校)
推荐引擎已经成为当今电子商务系统中不可或缺的组成部分。从在亚马逊推荐书籍,到在Facebook等社交网络中寻找朋友,它们已经变得无所不在。一般来说,推荐系统可以分为两大类:基于内容的模型和基于协同过滤的模型。这两种模型都在用户和项目之间建立关系,以提供推荐。基于内容的系统通过利用从上下文中提取的特征来实现这一任务,而协作系统使用用户项目子集之间的共享兴趣。还有另一种相对未开发的方法用于提供推荐,该方法利用称为随机游走的随机过程。这项研究是一项调查,探索随机游走在推荐系统中的使用情况,并试图对它们进行分类。
2017-11-11 cs.AI cs.IR cs.SI
UPRec: User-Aware Pre-training for Recommender Systems
现有的顺序推荐方法依赖于大量的训练数据,并且通常遭受数据稀疏问题。为了解决这个问题,预训练机制已经被广泛采用,它试图利用大规模数据来执行自监督学习,并将预训练的参数传递到下游任务。然而,以前的预训练推荐模型侧重于利用用户行为序列和项目信息中的通用序列模式,而忽略了利用异构用户信息捕获个性化兴趣,这已被证明是有效的,有助于个性化推荐。在本文中,我们提出了一种方法来增强预训练模型的异构用户信息,称为用户感知的推荐(UPRec)。具体而言,UPRec利用用户属性和结构化社交图在预训练阶段构建自监督目标,并提出了两个用户感知的预训练任务.在多个真实大规模推荐数据集上的综合实验结果表明,UPRec能够有效地将用户信息整合到预先训练好的模型中,从而为用户提供更合适的推荐。
2021-02-22 cs.IR
Modeling Sustainable City Trips: Integrating CO2e Emissions, Popularity, and Seasonality into Tourism Recommender Systems
本文提出融合交通 CO2e 排放、目的地热度与季节性需求的复合可持续性指标,并通过用户研究确定权重,将其整合进城市旅行推荐系统。
2024-09-17 cs.IR
Break the Optimization Barrier of LLM-Enhanced Recommenders: A Theoretical Analysis and Practical Framework
East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新研究院)
本文通过理论分析和实践框架,解决LLM增强推荐系统中优化障碍问题,提出TF-LLMER框架,通过嵌入规范化和Rec-PCA方法提升推荐性能。
2026-04-22 cs.IR
Leveraging Trust and Distrust in Recommender Systems via Deep Learning
Maastricht University(马斯特里赫特大学)
现实应用中经常出现用户偏好数据稀缺和冷启动问题,限制了协同过滤策略的推荐准确性。利用社会朋友和敌人的选择可以有效地面对这两个问题。在这项研究中,我们提出了一种执行社会深度成对学习的策略。首先,我们设计了一个排名损失函数,结合多个排名标准的基础上,在用户的选择,他们的朋友和敌人的选择,以提高在top-k推荐任务的准确性。我们通过深度学习策略捕捉用户偏好与信任和不信任关系的社会信息之间的非线性相关性。在每个反向传播步骤中,我们遵循社会负采样策略,以满足我们的排名损失函数的多个排名标准。我们在Epperly的基准数据集上进行了全面的实验,这是相关文献中报道的最大的公开数据集之一。实验结果表明,该模型击败了其他国家的最先进的方法,实现了11.49%的平均改善最有竞争力的模型。我们证明了我们的深度学习策略在捕获用户偏好与信任和不信任关系的社会信息之间的非线性相关性方面起着重要作用,并证明了我们的社会负采样策略在所提出的模型上的重要性。
2019-05-31 cs.IR cs.LG stat.ML
Explicit User Manipulation in Reinforcement Learning Based Recommender Systems
IU University of Applied Sciences(IU应用科学大学)
推荐系统在现代世界中非常普遍,因为它们对用户和使用它们的平台和服务都有价值。一般来说,它们可以改善用户体验并有助于提高满意度,但它们并非没有风险。其中一个风险是它们对用户的影响以及它们在塑造用户偏好方面发挥积极作用的能力。这种风险对于基于强化学习的推荐系统更为显著。例如,这些能够学习今天向用户显示的推荐内容如何可能篡改该用户对将来推荐的其他内容的偏好。因此,基于强化学习的推荐系统可以隐式地学习影响用户,如果这意味着最大化点击、参与或消费。特别是在社交新闻和媒体平台上,这种行为令人震惊。社交媒体无疑在公众舆论中发挥着作用,并已被证明是加剧政治两极分化的一个促成因素。因此,这种平台上的推荐系统有很大的潜力以不受欢迎的方式影响用户。然而,也有可能故意使用这种操纵形式。随着政治观点动态建模和更大的用户数据集的进步,明确的用户操纵,其中用户的信念和意见是针对某一目的出现作为一个显着的关注在强化学习为基础的推荐系统。
2022-03-20 cs.IR cs.LG
Interactive Counterfactual Exploration of Algorithmic Harms in Recommender Systems
University of Pittsburgh(匹兹堡大学);Quest Diagnostics(奎斯特诊断公司)
针对推荐系统存在算法偏差引发不公平体验的问题,本研究开发了结合可视化、反事实解释与交互模块的探索工具,经用户访谈验证可提升算法透明度,助力理解偏差并推动更公平的推荐。
2024-09-10 cs.AI cs.HC cs.IR
Modelling High-Order Social Relations for Item Recommendation
在线社交网络的流行使得研究社会关系如何影响用户选择成为必要。然而,大多数现有的方法只利用一阶社会关系,即连接到目标用户的直接邻居。高级社会关系,例如,朋友的朋友在很大程度上被忽略了,而朋友的朋友对揭示用户偏好非常有用。在这项工作中,我们专注于建立社交网络中的高阶邻居的间接影响,以提高项目推荐的性能。与主流的社会关系规则化模型学习与社会关系不同,我们建议在预测模型中直接考虑社会关系,旨在学习更好的用户嵌入以改进推荐。为了解决高阶邻居随着订单大小急剧增加的挑战,我们建议沿着社交网络递归地“传播”嵌入,有效地将高阶邻居的影响注入用户表示。我们在Yelp和豆瓣两个真实数据集上进行了实验,以验证我们的高阶社会推荐(HOSR)模型。实证结果表明,我们的HOSR显著优于最近基于图正则化的预测器NSCR和IF-BPR+,以及基于图卷积网络的社会影响力预测模型DeepInf,实现了任务的新的最先进水平。
2020-03-23 cs.IR cs.SI
Reinforcement learning based recommender systems: A survey
推荐系统(RS)已经成为我们日常生活中不可分割的一部分。他们帮助我们找到我们最喜欢的项目购买,我们的朋友在社交网络,和我们最喜欢的电影看。传统上,推荐问题被认为是一个分类或预测问题,但它现在被广泛认为,制定它作为一个顺序决策问题,可以更好地反映用户-系统的交互。因此,它可以被公式化为马尔可夫决策过程(MDP),并解决了强化学习(RL)算法。与传统的推荐方法(包括协同过滤和基于内容的过滤)不同,RL能够处理连续的、动态的用户-系统交互,并考虑到长期的用户参与。虽然使用RL进行推荐的想法并不新鲜,并且已经存在了大约二十年,但它并不是很实用,主要是因为传统RL算法的可扩展性问题。然而,自从引入深度强化学习(DRL)以来,该领域出现了一个新的趋势,这使得将RL应用于具有大状态和动作空间的推荐问题成为可能。本文综述了基于强化学习的推荐系统。我们的目的是提出一个展望该领域,并为读者提供一个相当完整的知识领域的关键概念。我们首先认识到,并说明RLRS一般可以分为RL和DRL为基础的方法。然后,我们提出了一个RLRS框架,包括四个组件,即,状态表示、策略优化、奖励制定和环境构建,并相应地调查RLRS算法。我们强调新兴的主题,并使用各种图表描绘重要的趋势。最后,我们讨论了未来可以解决的重要方面和挑战。
2022-06-08 cs.IR
Optimization Matrix Factorization Recommendation Algorithm Based on Rating Centrality
在推荐系统中,矩阵分解(MF)被广泛地用于从显式评分中挖掘用户偏好。然而,显式评分的可靠性并不总是一致的,因为许多因素可能会影响用户对物品的最终评价,包括商业广告和朋友的推荐。因此,挖掘用户的可靠评分是进一步提高推荐系统性能的关键。在这项工作中,我们分析的偏差程度的用户和项目的总体评分分布,并提出了基于用户的评分中心度和基于项目的评分中心度的概念,分别。此外,基于评分中心性,我们衡量每个用户评分的可靠性,并提供了一个优化的矩阵分解推荐算法。在两个常用的推荐数据集上的实验结果表明,该方法与其他矩阵分解推荐算法相比,具有更好的性能,尤其是在稀疏数据集上。
2018-06-20 cs.IR
Generating Reliable Friends via Adversarial Training to Improve Social Recommendation
近年来的社会化推荐研究大多假设人们与他们的朋友分享相似的偏好,并且在线社会关系有助于改进传统的推荐系统。然而,这种假设往往是站不住脚的,因为在线社交网络是相当稀疏的,大多数用户只有少量的朋友。此外,由于建立社交网络过程中的随机性,显性朋友可能不会分享相似的兴趣。因此,为每个用户发现一些可靠的朋友在推进社交推荐中起着重要作用。与其他研究侧重于提取有价值的显性社会联系不同,我们的工作注重在观察到的和未观察到的社交网络中识别可靠的朋友。具体来说,本文提出了一个基于生成对抗网(GAN)的端到端社会化推荐框架。该框架由两个模块组成:一个生成器,用于生成可能增强社交推荐模型的好友;一个搜索器,负责评估这些生成的好友,并根据当前用户及其好友的偏好对项目进行排名。通过生成器和搜索器之间的竞争,我们的框架可以动态地自适应地生成可靠的朋友,这些朋友可以完美地预测当前用户在特定时间的偏好。结果,显式社会关系的稀疏性和不可靠性问题可以得到缓解,社会推荐性能显着提高。在真实数据集上的实验研究证明了该框架的优越性,并验证了生成的可靠朋友的积极效果。
2019-09-08 cs.IR cs.SI
Balancing Benefits and Risks: RL Approaches for Addiction-Aware Social Media Recommenders
本文针对社交媒体成瘾问题,提出基于强化学习的成瘾感知推荐系统框架,通过非平稳动态建模、差异化状态表示和轻/重度使用区分,揭示推荐决策对用户成瘾倾向的影响,为伦理化自适应推荐设计提供依据。
2025-02-25 cs.CY cs.IR
EasyRL4Rec: An Easy-to-use Library for Reinforcement Learning Based Recommender Systems
Tsinghua University(清华大学);University of Science and Technology of China(中国科学技术大学);Zhejiang University(浙江大学);AIR, Tsinghua University(清华大学AIR)
EasyRL4Rec是一个专为基于强化学习的推荐系统设计的易用代码库,提供多样化环境、统一评估标准和定制化状态与动作设计,以解决框架缺失、评估不一致和复现困难等问题。
2024-05-24 cs.IR cs.LG
Matrix Factorization with Explicit Trust and Distrust Relationships
Shahid Beheshti University, G.C.(沙希德·贝赫什提大学);Michigan State University(密歇根州立大学);University of Minnesota(明尼苏达大学)
随着在线社交网络的出现,推荐系统由于其在使这些应用适应用户特定需求或偏好方面的重要作用而对于许多在线应用/服务的成功变得至关重要。尽管推荐系统越来越受欢迎,但一般情况下,推荐系统会受到数据稀疏性和冷启动问题的影响。为了缓解这些问题,近年来,人们对利用用户之间的信任关系等社会信息以及评级数据来提高推荐系统的性能的兴趣激增。在推荐过程中利用信任信息的主要动机源于我们所接触到的想法和我们所做的选择受到我们的社会背景的显著影响。然而,在大型用户社区中,除了信任关系之外,用户之间还存在不信任关系。例如,在Epperly中,个人“信任网络”和个人“阻止列表”的概念允许用户根据评论的质量将他们的朋友分别分类为信任和不信任的朋友。在本文中,我们提出了一个基于矩阵分解的社会评级网络中的推荐模型,适当地结合了信任和不信任关系,旨在提高推荐的质量,减轻数据稀疏和冷启动用户的问题。通过对Epperly数据集的实验,我们表明,我们的新算法优于其标准的信任增强或不信任增强的同行的准确性,从而证明了积极的影响,将明确的不信任信息可以对推荐系统。
2014-08-02 cs.IR cs.LG cs.SI
Do Social Explanations Work? Studying and Modeling the Effects of Social Explanations in Recommender Systems
与社交网络相关联的推荐系统通常使用社交解释(例如,“X、Y和2个朋友喜欢这个”)来支持推荐。我们提出了一个研究这些社会解释的音乐推荐背景下的影响。我们从237个用户的实验开始,在这个实验中,我们展示了不同层次的社会信息的解释,并分析了它们对用户决策的影响。我们区分了两个关键的决定:检查推荐的艺术家的可能性,以及基于听几首歌的艺术家的实际评级。我们发现,虽然解释的可能性有一定的影响,有可能性和实际(听)评级为同一艺术家之间的相关性不大。基于这些见解,我们提出了一个生成概率模型,解释解释和音乐偏好的背景信息之间的相互作用,以及如何导致艺术家的最终可能性评级。承认解释的影响,我们讨论了一个一般的建议框架,模型外部信息元素的推荐界面,除了用户的固有偏好。
2013-04-11 cs.IR cs.SI physics.soc-ph
Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
Kuaishou Technology(快手科技)
本文提出HarmonRank框架,通过提升排名一致性和共同性建模,改进推荐系统中的多目标集成方法,实现性能和鲁棒性的提升。
2026-02-09 cs.IR
Inferring users' preferences through leveraging their social relationships
推荐系统从用户的历史活动和个人档案中推断用户的偏好,在过去几年中取得了巨大的成功。现有的大多数作品都是基于用户、对象或两者的相似性,这些相似性来自他们在网上购物平台上的购买记录。然而,当已知信息有限时,这种方法面临瓶颈。极端的情况是如何向新用户推荐产品,即所谓的冷启动问题。在线社交网络的兴起给了我们一个打破玻璃天花板的机会。物以类聚,人以群分。亲密的朋友可能有相似的选择产品的隐藏模式,朋友的建议更值得信赖。在本文中,我们将个人的社会关系到推荐系统,并提出了一种新的方法,称为社会质量扩散(SMD),基于质量扩散过程中的组合网络的用户的社会网络和用户项目二分网络。实验结果表明,在二分网络上,SMD算法比单纯的质量扩散(MD)算法具有更高的推荐准确率。特别是,对于小度用户来说,这种改进是惊人的。此外,SMD为冷启动问题提供了很好的解决方案。新用户推荐的准确率明显高于传统的基于流行度的算法。这些结果可能为更好的个性化推荐系统和信息服务的新设计提供一些启示。
2017-11-28 cs.IR cs.SI physics.soc-ph
Leveraging Social Influence based on Users Activity Centers for Point-of-Interest Recommendation
University of Zanjan(赞詹大学);University College London(伦敦大学学院);University of Amsterdam(阿姆斯特丹大学)
推荐系统(RS)的目标是在与项目(如兴趣点(POI))交互时对用户偏好进行建模和预测。这些系统面临着一些挑战,例如数据稀疏性,限制了它们的有效性。在本文中,我们解决这个问题,将社会,地理和时间信息的矩阵分解(MF)技术。为此,我们基于两个因素对社交影响力进行建模:用户之间在常见签到方面的相似性以及他们之间的友谊。我们介绍了两个层次的友谊的基础上明确的友谊网络和高检入用户之间的重叠。我们的友谊算法基于用户的地理活动中心。结果表明,我们提出的模型优于国家的最先进的两个现实世界的数据集。更具体地说,我们的消融研究表明,社交模型在Gowalla和Yelp数据集上分别将我们提出的POI推荐系统的性能提高了31%和14%。
2022-01-10 cs.AI cs.IR
LLFR: A Lanczos-Based Latent Factor Recommender for Big Data Scenarios
本硕士论文的目的是研究和开发一个新的算法框架,协同过滤产生的前N推荐问题的建议。因此,我们提出了Lanczos潜在因素推荐(LLFR),一种新的“大数据友好”的前N推荐的协同过滤算法。使用计算效率高的Lanczos为基础的程序,LLFR建立一个低维的项目相似性模型,可以很容易地利用产生个性化的排名向量的项目空间。在真实数据集上的大量实验表明,LLFR从计算和定性的角度来看优于其他最先进的top-N推荐方法。我们的实验结果还表明,它的相对性能增益,与竞争的方法相比,增加数据变得稀疏,在冷启动问题。更具体地说,当稀疏性被泛化时-如在新社区问题中,这是真实推荐系统在其开始阶段面临的一个非常常见的问题,当协作过滤算法没有足够数量的评级来揭示项目或用户之间的相似性时-并且在稀疏性被定位在数据集的一小部分中的非常有趣的情况下-如在新用户问题中,新用户被引入到系统中,他们还没有对许多项目进行评级,因此CF算法还不能做出可靠的个性化推荐。
2016-06-14 cs.IR cs.SI stat.ML
Eco-Aware Graph Neural Networks for Sustainable Recommendations
Sapienza University of Rome(罗马萨皮恩扎大学)
本文研究图神经网络在推荐系统中的环境影响,分析训练和部署过程中的碳排放,提出环保的推荐算法。
2024-10-12 cs.AI cs.IR
Towards Building Voice-based Conversational Recommender Systems: Datasets, Potential Solutions, and Prospects
Bytedance AI Lab(字节跳动人工智能实验室);Institute of High Performance Computing, Centre for Frontier AI Research, A*STAR(新加坡科技研究局前沿人工智能研究中心高性能计算研究所);A*STAR Centre for Frontier AI Research(新加坡科技研究局前沿人工智能研究中心);Nanyang Technological University(南洋理工大学)
针对现有对话推荐系统多为文本形式、对特殊用户不友好的问题,本文首次研究语音对话推荐系统,构建了两个领域的基准数据集,探索了端到端构建方案,为该新兴领域研究奠定基础。
2023-06-14 cs.IR cs.SD eess.AS
Session-based Social Recommendation via Dynamic Graph Attention Networks
Facebook和Twitter等在线社区非常受欢迎,已成为许多用户日常生活的重要组成部分。通过这些平台,用户可以发现和创建其他人将使用的信息。在这方面,向用户推荐相关信息对于可行性至关重要。然而,在线社区中的推荐是一个具有挑战性的问题:1)用户的兴趣是动态的,2)用户受到他们的朋友的影响。此外,影响者可以是上下文相关的。也就是说,不同的朋友可以依赖于不同的主题。因此,对这两种信号进行建模对于建议至关重要。我们提出了一个基于动态图注意神经网络的在线社区推荐系统。我们使用递归神经网络对动态用户行为进行建模,并使用图形注意力神经网络对上下文相关的社会影响进行建模,该网络根据用户的当前兴趣动态推断影响者。整个模型可以有效地拟合大规模数据。几个真实世界的数据集上的实验结果表明,我们提出的方法在几个竞争性的基线,包括国家的最先进的模型的有效性。
2019-04-15 cs.IR
Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation
本文研究如何有效利用社会信息来改进推荐。大多数现有的社交推荐系统假设人们与他们的社交朋友分享相似的偏好。然而,由于在线交友的各种动机和在线社交网络的动态,这可能不成立。受最近基于因果过程的推荐的启发,首先对用户对项目的曝光进行建模,然后使用这些曝光来指导评级预测,我们利用社交信息来捕获用户曝光而不是用户偏好。我们假设人们从网上朋友那里获得产品信息,他们不必分享类似的偏好,这限制性较小,似乎更接近现实。在这种新的假设下,在本文中,我们提出了一种新的推荐方法(命名为SERec),将社会曝光到协同过滤。我们提出了两种方法来实现SERec,即社会规范化和社会助推,每种方法都有不同的方式来构建社会曝光。在四个真实数据集上的实验表明,我们的方法在前N个推荐上的性能优于最先进的方法。进一步的研究比较了这两种方法的鲁棒性和可扩展性。
2017-11-30 cs.IR cs.SI
The Utility of LLMs in Recommender Systems Explanation Evaluation
University of Zurich(苏黎世大学);Dublin City University(都柏林城市大学)
本文研究LLMs在推荐系统解释评估中的实用性,通过生成18种解释原型、由14种LLMs评估并与人类评分对比,发现LLMs与人类评分有中等相关性但绝对一致性低,进而给出四条实用建议。
2026-09-03 cs.AI cs.IR
A Simple but Effective Elaborative Query Reformulation Approach for Natural Language Recommendation
University of Toronto(多伦多大学)
本文提出EQR,一种结合广度与深度的大语言模型查询重构方法,通过生成信息丰富的子主题阐述,显著提升自然语言推荐系统对广泛和间接用户意图查询的检索效果。
2025-10-26 cs.IR
Recommendations and User Agency: The Reachability of Collaboratively-Filtered Information
University of California, Berkeley(加州大学伯克利分校);Canopy Crest(冠峰公司)
推荐系统通常依赖于经过训练的模型,以最大限度地提高预测用户偏好的准确性。在部署系统时,这些模型确定内容和信息对不同用户的可用性。这些目标之间的差距可能会产生意想不到的后果,导致过滤气泡和极化等现象。在这项工作中,我们直接考虑的信息可用性问题,通过用户追索权的镜头。利用可达性的思想,我们提出了一个计算效率高的审计顶级$N$线性推荐模型。此外,我们描述了模型的复杂性和必要的努力,用户施加控制他们的建议之间的关系。我们使用这种洞察力提供了一个新的角度对用户的冷启动问题。最后,我们通过对一个在广泛使用的电影评级数据集上训练的最先进模型的实证调查来证明这些概念。
2021-02-01 cs.IR cs.LG stat.ML
Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems
Shanghai Key Laboratory of Scalable Computing and Systems, Department of Computer Science and Engineering, Shanghai Jiao Tong University(上海交通大学计算机科学与工程系可扩展计算与系统上海市重点实验室);WeChat, Tencent Inc.(腾讯公司微信);UM-SJTU Joint Institute, Shanghai Jiao Tong University(上海交通大学密西根大学联合学院)
社会化推荐利用社会信息解决传统协同过滤方法中的数据稀疏性和冷启动问题。然而,大多数现有的模型假设来自朋友用户的社会效应是静态的,并且在恒定权重或固定约束的形式下。为了放松这个强假设,在本文中,我们提出了双图注意力网络来协作学习双重社会效应的表示,其中一个由用户特定的注意力权重建模,另一个由动态和上下文感知的注意力权重建模。我们还将用户域中的社会效应扩展到项目域,以便可以利用相关项目的信息来进一步缓解数据稀疏问题。此外,考虑到两个领域中不同的社会效应可能相互作用,共同影响用户对物品的偏好,提出了一种基于上下文多臂强盗的策略融合策略,以权衡各种社会效应之间的相互作用.在一个基准数据集和一个商业数据集上的实验验证了我们模型中关键组件的有效性。实验结果表明,与其他最先进的社会化推荐方法相比,我们的模型在推荐准确率上有了很大的提高。
2019-03-25 cs.IR cs.LG cs.SI
Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems
针对推荐系统性能长尾分布问题,提出因果多教师蒸馏框架CausalD,利用前门调整处理未观测混淆因素,将多教师集成蒸馏为学生模型以直接推断因果效应,在保持整体性能的同时缓解模型偏差导致的性能异质性。
2024-05-31 cs.IR cs.IT math.IT
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
Multi-faceted Trust-based Collaborative Filtering
University of Torino(都灵大学)
许多协同推荐系统利用社会相关理论来提高推荐性能。然而,它们专注于用户之间的显式关系,而忽略了其他类型的信息,这些信息有助于确定用户的全球声誉;例如,公众对审稿人质量的认可。我们有兴趣了解这些额外类型的反馈是否以及何时改善Top-N推荐。为此,我们提出了一个多方面的信任模型,整合本地的信任,代表社会联系,与各种类型的全球信任证据提供的社交网络。我们的目标是确定一般类别的数据,以使我们的模型适用于不同的案例研究。然后,我们测试的模型,将其应用到一个变种的用户到用户的协同过滤(U2 UCF),支持融合的评级相似性,本地信任来自社会关系,多方面的声誉评级预测。我们在两个数据集上测试了我们的模型:Yelp发布了用户之间的一般朋友关系,但提供了不同类型的信任反馈,包括用户简档认可。LibraryThing数据集提供的反馈类型较少,但它提供了更多针对内容共享的选择性好友关系。我们的实验结果表明,在Yelp数据集上,我们的模型优于U2 UCF和仅使用评级相似性和社会关系的最先进的基于信任的分类器。显然,在LibraryThing数据集中,社会关系和评级相似性的组合达到了最佳效果。我们学到的教训是,多方面的信任可以是一种有价值的推荐信息。然而,在应用程序域中使用它之前,必须对可用信任证据的类型和数量进行分析,以评估其对推荐性能的实际影响。
2020-03-25 cs.IR cs.LG
Social4Rec: Distilling User Preference from Social Graph for Video Recommendation in Tencent
针对冷用户兴趣挖掘难题,本文提出两阶段算法SocialNet,从社交图谱中提取粗粒度和细粒度社交兴趣并与行为兴趣融合,在腾讯视频推荐系统中显著提升点击量和观看时长。
2023-08-12 cs.IR
A Review on Recommendation Systems: Context-aware to Social-based
互联网用户的数量迅速增长,吸引了公司和合作机构充分利用推荐基础设施。因此,在线广告公司出现,以帮助我们在众多项目和用户的存在。即使作为用户,您也可能发现自己被一组您认为可能需要的项目淹没,但您不确定是否应该尝试它们。这些项目可以是在线服务,产品,地点,甚至是一个人的友谊。因此,我们需要推荐系统来铺平道路,帮助我们做出正确的决定。本文综述了传统推荐系统、推荐系统评价和度量、上下文感知推荐系统和基于社会的推荐系统。虽然很难在一篇简短的综述文章中包含所有信息,但我们试图对推荐系统的基本要素进行介绍性综述。有关各章的更详细的资料将在相应的参考文献中找到。为了以不同的方式解释这个概念,我们提供了幻灯片,可在https://www.slideshare.net/MahdiSeyednejad/recommender-systems-97094937上获得。
2018-11-28 cs.IR cs.SI
UniWalk: Explainable and Accurate Recommendation for Rating and Network Data
我们如何利用社交网络数据和观察到的评级来正确地推荐合适的项目,并为推荐提供有说服力的解释?许多在线服务在用户之间提供社交网络,并且利用社交信息是至关重要的,因为朋友的推荐比来自随机用户的推荐更可能吸引注意力。此外,解释商品推荐的原因对于鼓励用户采取实际购买等行动非常重要。然而,由于数据的异质性,利用评级和社交图进行推荐并不简单。在本文中,我们提出了UniWalk,一个可解释和准确的推荐系统,利用社会网络和评级数据。UniWalk将这两种数据结合到一个统一的图中,学习用户和项目的潜在特征,并通过这些特征向每个用户推荐项目。重要的是,它解释了为什么项目与推荐结果一起推荐。大量的实验表明,UniWalk提供了最好的可解释性,并达到了最先进的准确性。
2017-10-18 cs.IR
EventChat: Implementation and user-centric evaluation of a large language model-driven conversational recommender system for exploring leisure events in an SME context
Swiss Federal Institute of Technology, Zurich(苏黎世联邦理工学院)
本文提出一种基于大语言模型的对话推荐系统,通过客观指标和用户评价评估其在中小企业场景下的性能,揭示了系统在用户体验和商业可行性方面的挑战。
2026-03-31 cs.AI cs.CL cs.IR
A Social-aware Gaussian Pre-trained Model for Effective Cold-start Recommendation
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);University College London(伦敦大学学院);University of Glasgow(格拉斯哥大学)
提出社交感知高斯预训练模型SGP,结合用户社交关系与交互数据进行预训练,有效缓解数据稀疏与冷启动问题,在三个数据集上NDCG@10指标最高提升7.7%。
2023-11-27 cs.AI cs.IR
Point of Interest Recommendation Methods in Location Based Social Networks: Traveling to a new geographical region
基于位置的社交网络中的推荐系统主要利用社交和地理影响来进行个性化兴趣点(POI)推荐。基于匹配的访问历史从社交网络朋友或类似用户获得社交影响力,而地理影响力从用户在不同POI处签到时留下的地理足迹获得。然而,当用户移动到他们具有很少或没有活动历史的新区域时,这种方法可能会不足。我们提出了一个位置感知的POI推荐系统,主要基于用户的喜好模型,用户评论和类别的POI。在Yelp数据集上对算法进行了测试,实验结果表明,该算法具有较好的准确性。
2020-01-25 cs.IR cs.SI
Propagation-aware Social Recommendation by Transfer Learning
University of Technology Sydney(悉尼科技大学);Northeastern University(东北大学)
社会感知推荐方法被认为是解决传统推荐系统数据稀疏性问题的有效途径。背后的假设是,社交用户-用户连接中的知识可以被共享并转移到用户-项目交互的领域,从而帮助学习用户偏好。然而,大多数现有的方法在迁移学习过程中仅仅采用用户之间的一阶联系,而忽略了更高阶的联系。我们认为,更好的推荐性能也可以受益于高阶社会关系。提出了一种基于社会关系传播的学习感知迁移学习网络(PTLN)。我们的目标是更好地挖掘隐藏在社交网络中的共享知识,从而进一步提高推荐性能。具体而言,我们从两个方面探讨了社会影响:(a)更高级别的朋友已经被考虑的顺序偏差;(b)在同一顺序的不同朋友将有不同的重要性推荐的注意力机制。此外,我们设计了一种新的正则化,以弥合社会关系和用户-项目交互之间的差距。我们在两个真实世界的数据集上进行了广泛的实验,并在排名准确性方面击败了其他同行,特别是对于历史交互很少的冷启动用户。
2021-07-10 cs.AI cs.IR cs.LG
FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence
Institute for Language and Speech Processing, Athena Research Center(雅典娜研究中心语言与语音处理研究所);Department of Electrical and Computer Engineering, Democritus University of Thrace(色雷斯德谟克利特大学电气与计算机工程系)
随着基于位置的社交网络数量的增长,隐私保护的位置预测已经成为帮助用户发现新的兴趣点(POI)的主要任务。传统的系统采用集中式方法,需要传输和收集用户的私人数据。在这项工作中,我们提出了FedPOIRec,一个隐私保护的联邦学习方法,增强了用户社交圈的功能,用于顶级$N$ POI推荐。首先,FedPOIRec框架是基于本地数据永远不会离开所有者设备的原则构建的,而本地更新是由参数服务器盲目聚合的。第二,通过允许用户交换他们学习到的参数,使知识在朋友之间传递,本地用户变得个性化。为此,我们提出了一个隐私保护协议,通过利用CKKS完全同态加密方案的属性,在联邦计算后集成用户的朋友的偏好。为了评估FedPOIRec,我们使用两个推荐模型将我们的方法应用于五个真实世界的数据集。大量的实验表明,FedPOIRec实现了类似的推荐质量集中的方法,而社会集成协议在用户端产生的计算和通信开销低。
2021-12-21 cs.CR cs.IR cs.LG
Click-Through Rate Prediction Using Graph Neural Networks and Online Learning
Stanford University(斯坦福大学);Google LLC(谷歌有限责任公司)
推荐系统在过去已经被许多文献广泛研究,并且在在线广告、购物行业/电子商务、搜索引擎中的查询建议以及社交网络中的朋友推荐中无处不在。此外,餐厅/音乐/产品/电影/新闻/应用程序推荐只是推荐系统的几个应用程序。CTR预测准确性的一个小百分比的改进已经被提到为广告行业增加数百万美元的收入。点击率预测是推荐系统的一个特殊版本,其目标是预测用户是否会点击推荐项目。基于内容的推荐方法考虑用户行为的过去历史,即推荐的产品和用户对它们的反应。因此,在正确的时间将正确的项目推荐给正确的用户的个性化模型是构建这样一个模型的关键。另一方面,所谓的协同过滤方法结合了与特定用户非常相似的用户的点击历史,从而通过利用在连接的用户网络中分享他们的品味的用户的更广泛的知识来帮助推荐器为该特定用户提出更自信的预测。在这个项目中,我们有兴趣建立一个CTR预测器使用图神经网络补充的在线学习算法,模拟这种动态的相互作用。通过将问题框定为二进制分类任务,我们使用由10,000个数据点组成的Criteo公共数据集的子采样版本,在测试AUC为0.7417的离线模型(GNN,深度因子分解机)和测试AUC为0.7585的在线学习模型上评估了该系统。
2021-05-09 cs.AI cs.IR cs.LG
Recommendation as Instruction Following: A Large Language Model Empowered Recommendation Approach
Renmin University of China(中国人民大学);Tencent(腾讯)
本文提出将推荐视为大语言模型的指令遵循,通过指令微调开源LLM(3B Flan-T5-XL),设计39个模板并生成252K条指令数据,在多个推荐任务上超越包括GPT-3.5在内的基线,实现更自然的用户交互推荐。
2023-05-11 cs.CL cs.IR
PerFairX: Is There a Balance Between Fairness and Personality in Large Language Model Recommendations?
本研究提出PerFairX框架,量化LLM推荐中个性与公平性的权衡,发现个性提示提升心理对齐但加剧公平差异,为平衡两者提供基准。
2025-08-20 cs.AI cs.CY cs.IR
Adaptive social recommendation in a multiple category landscape
互联网时代的人们不得不应对信息过载,努力寻找自己感兴趣的东西,通常通过关注有限数量的最符合自己兴趣的来源或朋友来面对这种情况。因此,最近的一系列研究,即自适应社会推荐,已经出现,以优化社交网络中的信息传播,并为用户提供个性化的建议。基于代理的模拟验证这些方法通常假设用户的口味,可以用二进制向量表示,条目表示用户的偏好。在这项工作中,我们引入了一个更现实的假设,用户的口味是由多个向量建模。我们表明,在这个框架内的社会推荐过程有一个可怜的结果。因此,我们设计了新的措施,用户的口味相似性,可以大大提高推荐系统的精度。最后,我们讨论的问题,提高建议的多样性,同时保持其准确性。
2012-10-04 cs.IR physics.soc-ph
Learning Optimal Social Dependency for Recommendation
社会化推荐系统利用用户的社会关系来提高推荐的准确性。直觉上,用户倾向于信任她的社交朋友的不同子集,关于不同的场景。因此,社会化推荐的主要挑战是利用用户之间的最佳社会依赖性进行特定的推荐任务。在本文中,我们提出了一种新的推荐方法,命名为概率关系矩阵分解(PRMF),其目的是学习用户之间的最佳社会依赖关系,以提高推荐精度,有或没有用户的社会关系。具体而言,在PRMF中,假设用户的潜在特征遵循矩阵变量正态(MVN)分布。用户之间的正相关和负相关通过MVN分布的行精度矩阵来建模。此外,我们还提出了一个有效的交替算法来解决PRMF的优化问题。在真实数据集上的实验结果表明,所提出的PRMF方法优于最先进的社会推荐方法,在均方根误差(RMSE)和平均绝对误差(MAE)。
2016-03-15 cs.IR cs.SI
Hierarchical Fashion Graph Network for Personalized Outfit Recommendation
时尚服装推荐越来越受到在线购物服务和时尚社区的关注。与其他场景(例如,社交网络或内容共享),其推荐单个项目(例如,朋友或图片),服装推荐预测用户对一组匹配良好的时尚物品的偏好。因此,执行高质量的个性化服装推荐应该满足两个要求- 1)时尚物品的良好兼容性和2)与用户偏好的一致性。然而,目前的工作主要集中在一个要求,只考虑用户的服装或服装项目的关系,从而容易导致次优表示和限制的性能。在这项工作中,我们统一两个任务,时尚兼容性建模和个性化服装推荐。为此,我们开发了一个新的框架,层次时尚图网络(HFGN),同时建模用户,物品和服装之间的关系。特别是,我们构建了一个层次结构上的用户服装的相互作用和服装项目映射。然后,我们从最近的图神经网络的启发,并采用这种层次图的嵌入传播,从而聚合项目信息到一个服装表示,然后细化用户的表示通过他/她的历史服装。此外,我们联合训练这两个任务,以优化这些表示。为了证明HFGN的有效性,我们在基准数据集上进行了大量的实验,HFGN比最先进的兼容性匹配模型(如NGNN)和服装匹配模型(如FHN)有了显着的改进。
2020-05-26 cs.IR
Information Filtering via Implicit Trust-based Network
基于用户-项目二分网络的协同过滤推荐系统根据用户的历史收藏预测用户的兴趣,是解决信息挖掘问题的一个很有前途的方法。然而,CF算法遇到冷启动和稀疏性问题。基于信任的CF算法是通过收集用户的信任声明来实现的,这是非常耗时的,并且必须使用用户的私人友谊信息。在本文中,我们提出了一种新的测量,以计算用户的隐式信任为基础的相关性,考虑到他们的平均评级,评级范围,和共同评级项目的数量。将相似思想应用于项目,构造了一种基于项目的CF算法。在三个基准数据集上的仿真结果表明,基于用户和基于项目的算法的性能都得到了很大的提高。最后,将基于用户的算法和基于项目的算法相结合,构造了一种混合算法,仿真结果表明,该混合算法的性能优于现有的方法。具体来说,它不仅可以提供更准确的建议,还可以缓解冷启动问题。
2011-12-11 cs.IR physics.data-an
Hierarchical Hyperedge Embedding-based Representation Learning for Group Recommendation
在这项工作中,我们研究了在一个特定的场景下,即偶尔组推荐(OGR)的组推荐。大多数现有的工作已经解决了OGR聚合组成员的个人喜好,学习组表示。然而,群体的表示学习是最复杂的,超出了群体成员表示的融合,因为个人偏好和群体偏好可能在不同的空间。此外,由于用户交互数据的稀疏性,学习到的用户表示是不准确的。此外,群体相似性的共同群体成员被忽视,但有很大的潜力,以改善群体表示学习。本文针对群组表示学习任务中的上述问题,设计了一个基于层次超边嵌入的群组推荐系统HyperGroup。具体而言,我们提出利用用户-用户交互来缓解用户-项目交互的稀疏性问题,并设计了一个基于GNN的表示学习网络来增强从朋友偏好中学习个体偏好的能力,为学习群体偏好提供了坚实的基础。为了利用组相似性从高度有限的组-项交互中学习更准确的组表示,我们将所有组连接为重叠集的网络,并将组偏好学习任务视为在超图中嵌入超边,其中提出了一种归纳超边嵌入方法。为了进一步增强组级偏好建模,我们开发了一种联合训练策略,以在同一过程中学习用户-项目和组-项目交互。我们在两个真实世界的数据集上进行了广泛的实验,实验结果表明,我们提出的HyperGroup与最先进的基线相比具有优越性。
2021-03-24 cs.IR
Interpretable Triplet Importance for Personalized Ranking
City University of Hong Kong(香港城市大学)
本文提出Triplet Shapley方法,基于Shapley值以可解释的方式衡量三元组重要性,并利用MC近似与控制协变量稳定计算,指导重要三元组重采样以优化模型学习,在六个数据集上持续优于现有方法。
2024-07-28 cs.AI cs.IR
DeepGroup: Representation Learning for Group Recommendation with Implicit Feedback
Ontario Tech University(安大略理工大学)
群组推荐系统便于针对一组个体(例如,一群朋友、一个团队、一个公司等)。然而,这些系统中的许多系统或者假设(i)用户偏好可以被引出(或推断)并且然后被聚集成群组偏好,或者(ii)群组偏好被部分地观察/引出。我们专注于为一组偏好未知的新用户提供推荐,但我们会获得其他用户的决策/选择。通过将这个问题表述为来自群体内隐反馈的群体推荐,我们关注了它的两个实际例子:群体决策预测和反向社会选择。给定一组群体及其观察到的决策,群体决策预测旨在预测新一组用户的决策,而反向社会选择旨在推断参与观察到的群体决策的用户的偏好。这两个问题不仅关系到群体推荐,而且当用户有意隐藏自己的个人偏好但参与了群体决策时,也关系到个人隐私。为了解决这两个问题,我们提出并研究了DeepGroup --一种基于组隐式数据的深度学习方法。我们根据经验评估了DeepGroup对各种真实世界数据集、群体条件(例如,同质性或异质性)和群体决策(或投票)规则。我们广泛的实验不仅证明了DeepGroup的有效性,还揭示了一些决策过程中的隐私泄露问题。
2021-03-13 cs.AI cs.IR cs.MA
LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation
Xi’an Jiaotong University(西安交通大学);City University of Hong Kong(香港城市大学);Tencent YouTu Lab(腾讯优图实验室);Westlake University(西湖大学)
本文提出LLMEmb方法,利用大语言模型生成物品嵌入以解决序列推荐中的长尾问题,通过监督对比微调和推荐自适应训练增强推荐友好性,在多个真实数据集上显著优于现有方法。
2024-12-21 cs.CL cs.IR
An Unbiased Data Collection and Content Exploitation/Exploration Strategy for Personalization
Yahoo Research(雅虎研究院);Yahoo Personalization Team(雅虎个性化团队)
个性化系统和推荐系统的任务之一是根据用户的个人兴趣显示内容项。为了实现这样的目标,这些系统随着时间的推移学习用户兴趣,并且尝试呈现针对用户简档定制的内容项。根据用户的偏好推荐商品在过去几年中得到了广泛的研究,这主要归功于Netflix竞争的流行。在真实环境中,用户可能会被这些项目的子集所吸引并与它们进行交互,只留下部分反馈给系统,以便在下一个周期中学习,这会导致系统出现重大偏差,从而导致用户参与度指标无法随着时间的推移而改善的情况。问题不仅仅是系统的一个组成部分。从用户收集的数据通常用于许多不同的任务,包括学习排名功能,构建用户简档和构建内容分类器。一旦数据出现偏差,所有这些下游用例也会受到影响。因此,通过用户交互收集无偏见的数据将是有益的。传统上,无偏的数据汇集是通过显示从内容池中均匀采样的项来完成的。然而,这种简单的方案是不可行的,因为它会危及用户参与度指标,并且需要很长时间来收集用户反馈。在本文中,我们介绍了一个用户友好的无偏数据汇集框架,利用开发和勘探文献中开发的方法。我们讨论的框架是如何不同于正常的多臂强盗问题,为什么需要这样的方法。为了有效地平衡用户体验和数据汇集,我们设计了一种新的伯努利排序列表的汤普森抽样。该方法是从一个真正的桶测试验证,我们表现出强大的结果相比,旧的算法
2016-04-12 cs.IR cs.LG