Text Matching Improves Sequential Recommendation by Reducing Popularity Biases
Northeastern University(东北大学);Carnegie Mellon University(卡内基梅隆大学);Tsinghua University(清华大学)
该研究提出基于文本匹配的序列推荐模型TASTE,结合注意力稀疏方法建模长用户交互,在常用数据集上优于现有最优方法,可缓解冷启动、降低流行度偏差,提升推荐准确率。
2023-08-27 cs.AI cs.IR
Attribute Simulation for Item Embedding Enhancement in Multi-interest Recommendation
本文针对多兴趣推荐中物品嵌入欠聚类问题,提出SimEmb模块,利用物品共现矩阵模拟属性并替代ID嵌入进行属性加权求和,在四个基准数据集上显著提升聚类效果,Recall@20平均提升25.59%。
2023-11-29 cs.IR
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索(EBR)系统的推荐共享与顺序查询相似的思想。其中,如何全面捕捉序列用户兴趣是一个根本性的问题。然而,大多数现有的顺序推荐模型作为输入点击或购买的行为序列,从用户项目的交互。这导致不全面的用户表示和次优的模型性能,因为它们忽略了完整的用户行为暴露数据,即,用户印象深刻但未点击的项目。在这项工作中,我们试图采用一种新的学习方法,以探索更好的顺序推荐技术,将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络,并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性,并验证了未点击项目在顺序推荐中的重要性。此外,我们部署我们的新模型(命名为XDM)在淘宝推荐系统的EBR,性能优于部署的前一代SDM。
2022-03-31 cs.IR
UniMatch: A Unified User-Item Matching Framework for the Multi-purpose Merchant Marketing
Alibaba Group(阿里巴巴集团)
针对商家多营销目标需多模型导致成本高的问题,提出统一用户-物品匹配框架UniMatch,用单个模型同时实现推荐与用户定向,通过双向偏差校正NCE损失学习联合概率,性能优于现有方法且成本更低。
2023-07-19 cs.IR cs.LG
Semi-supervised Compatibility Learning Across Categories for Clothing Matching
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Jiaozhou Artificial Intelligence Research, Chinese Academy of Sciences(中国科学院胶州人工智能研究院)
服装分析中的一个关键任务是研究服装产品的跨品类匹配性,它可以破解服装搭配的秘密。此任务的主要思想是将项映射到一个潜在的样式空间中,在该空间中兼容项保持接近。以前的作品试图通过最小化注释兼容项之间的距离来构建这样的转换,这需要大量的项级监督。然而,这些带注释的数据的获取成本很高,并且难以覆盖实际应用中具有各种样式的众多项目。在这种情况下,这些监督的方法无法实现令人满意的性能。在这项工作中,我们提出了一个半监督的方法来学习跨类别的兼容性。我们观察到,不同类别的分布具有内在的相似结构。因此,分布对齐得越好,这些类别之间的兼容项就越接近。为了实现对齐,我们使用无监督对抗学习来最小化分布之间的距离,以及一些注释的兼容项之间的距离,这些注释的兼容项起到锚点的作用以帮助对齐。在两个真实数据集上的实验结果证明了该方法的有效性。
2019-07-31 cs.IR cs.LG
Adaptive Preference Modeling via Explicit Indirect Relational Learning for Personalized Fashion Matching
The Hong Kong University of Science and Technology(香港科技大学)
针对个性化时尚搭配中稀疏数据下间接关系建模不足的问题,提出APCL框架,通过显式间接关系建模与对比学习,在多模态数据上提升推荐性能,实验验证其优于基线方法。
2026-09-21 cs.IR
SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
获取用户的精确偏好是大规模推荐系统的一个基本问题。目前,基于项目的协同过滤(CF)方法是工业界常用的匹配方法。然而,它们不能有效地对用户的动态和不断变化的偏好进行建模。在本文中,我们提出了一个新的顺序深度匹配(SDM)模型,通过结合短期会话和长期行为来捕获用户的动态偏好。与现有的序列感知推荐方法相比,我们解决了以下两个实际应用中的固有问题:(1)在一个会话中可能存在多个兴趣倾向。(2)长期偏好可能无法有效地与当前会话兴趣融合。长期行为是多样的、复杂的,因此与短期会话高度相关的行为应该被保留以进行融合。我们建议编码行为序列与两个相应的组件:多头自我注意模块捕捉多种类型的利益和长期-短期门控融合模块,将长期的喜好。在序列用户行为向量和项目嵌入向量之间进行匹配后,推荐连续项目。真实世界数据集上的离线实验表明,所提出的SDM的优越性能。此外,SDM已成功部署在淘宝网的在线大型推荐系统,并在一系列商业指标方面取得了改善。
2019-12-28 cs.IR
Escaping the Euclidean Void: Manifold-Informed Flow Matching for Sequential Recommendation
Jilin University(吉林大学);City University of Hong Kong(香港城市大学)
研究针对序列推荐中项目目录离散稀疏致欧几里得路径失效问题,提出MIRAGE框架,利用项目共现图校正嵌入几何,使插值路径状态与局部锚点对齐,保留原始概率路径仅训练用图,实验表明其性能优于基线。
2026-07-28 cs.AI cs.IR
MIC: Model-agnostic Integrated Cross-channel Recommenders
在工业推荐系统的匹配阶段,用户和项目的语义连接是一个基本问题。在这个主题的最新进展是基于多通道检索,以有效地衡量用户的兴趣项目从庞大的候选池。然而,现有的工作主要是建立在预定义的检索渠道,包括用户CF(U2 U),项目CF(I2 I),嵌入式检索(U2 I),从而访问用户和项目之间的有限的相关性,这仅仅需要从潜在的交互的部分信息。在本文中,我们提出了一个模型无关的综合跨渠道(MIC)的方法,最大限度地利用固有的多渠道互信息,以提高匹配性能的大规模推荐。具体来说,MIC鲁棒模型内的用户-项目,用户-用户,项目-项目从潜在的相互作用在一个通用的模式。对于每个通道,MIC自然地将对与语义相似性对齐,并以更均匀的各向异性表示空间区分它们。虽然最先进的方法需要特定的架构设计,但MIC直观地将其视为一个整体,使用户和项目之间的完整信息流。因此,MIC可以很容易地插入到其他检索推荐系统。大量的实验表明,我们的MIC帮助几个国家的最先进的模型,提高他们的性能在两个现实世界的基准。工业在线服务上的MIC部署经验证明了其可扩展性和灵活性。
2022-02-14 cs.IR
DeepCF: A Unified Framework of Representation Learning and Matching Function Learning in Recommender System
School of Data and Computer Science, Sun Yat-sen University(中山大学数据与计算机学院);Department of Computer Science, University of Illinois at Chicago(伊利诺伊大学芝加哥分校计算机科学系);Institute for Data Science, Tsinghua University(清华大学数据科学研究院);School of Data and Computer Science, Sun Yat-sen University, Guangzhou, China(中山大学数据与计算机学院);Department of Computer Science, University of Illinois at Chicago, Chicago, USA(伊利诺伊大学芝加哥分校计算机科学系);Institute for Data Science, Tsinghua University, Beijing, China(清华大学数据科学研究院)
一般来说,推荐可以被看作是一个匹配问题,即,为合适的用户匹配合适的项目。然而,由于用户和项目之间的巨大语义鸿沟,它几乎是不可能的,直接匹配用户和项目在其初始表示空间。为了解决这个问题,已经研究了许多方法,这些方法通常可以分为两种类型,即,基于表示学习的CF方法和基于匹配函数学习的CF方法。基于表示学习的CF方法试图将用户和项目映射到公共表示空间中。在这种情况下,用户和该空间中的项目之间的相似性越高,意味着它们匹配得越好。基于匹配函数学习的CF方法试图直接学习将用户-项目对映射到匹配分数的复杂匹配函数。虽然这两种方法都发展得很好,但它们有两个基本缺陷,即,点积的有限表达能力和在捕捉低秩关系方面的弱点。为此,我们提出了一个名为DeepCF(Deep Collaborative Filtering的缩写)的通用框架,以结合这两种方法的优势并克服这些缺陷。在四个公开数据集上的大量实验证明了所提出的DeepCF框架的有效性。
2019-01-15 cs.IR cs.LG stat.ML
PRECTR: A Synergistic Framework for Integrating Personalized Search Relevance Matching and CTR Prediction
Alibaba Group(阿里巴巴集团);Xi’an Jiaotong University(西安交通大学)
提出PRECTR框架,通过条件概率融合机制统一搜索相关性匹配与CTR预测,引入两阶段训练和语义一致性正则化,并利用用户相关性偏好定制激励,实验证明其有效性。
2025-03-26 cs.AI cs.IR
Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation
DePaul University(德保罗大学)
增加聚合多样性(或目录覆盖率)在许多推荐领域中是重要的系统级目标,在这些领域中,可能期望减轻流行度偏差并提高向用户给出的推荐中的长尾项的覆盖率。这在多利益相关者推荐场景中尤其重要,在多利益相关者推荐场景中,不仅对于最终用户,而且对于其他利益相关者(诸如物品卖家或生产者)优化效用可能是重要的,这些利益相关者期望在系统产生的推荐列表中公平地表示他们的物品。不幸的是,增加聚合多样性的尝试通常会导致最终用户的推荐准确性降低。因此,解决这个问题需要一种方法,可以有效地管理准确性和聚合多样性之间的权衡。在这项工作中,我们提出了一个双边的后处理方法,其中用户和项目公用事业被认为是。我们的目标是最大化聚合多样性,同时最小化推荐准确性的损失。我们的解决方案是一个推广的延迟接受算法,提出了一个有效的算法来解决著名的稳定匹配问题。我们证明,我们的算法的结果在一个独特的用户最佳的稳定匹配项目和用户之间。使用三个推荐数据集,我们实证证明了我们的方法与几个基线相比的有效性。特别是,我们的研究结果表明,所提出的解决方案是非常有效的,在增加聚合多样性和项目端的效用,同时优化最终用户的推荐准确性。
2020-06-05 cs.IR cs.LG
Item-Item Music Recommendations With Side Information
在线音乐服务拥有数千万首曲目。内容本身是广泛的,涵盖各种音乐流派以及非音乐音频内容,如广播剧和播客。内容的庞大规模和多样性使得用户很难找到相关的曲目。因此,相关建议对于良好的用户体验至关重要。在这里,我们提出了一种方法来计算轨迹轨迹相似性使用协同过滤信号与边信息。在来自音乐流媒体服务SoundCloud的数据集上,这里的方法优于广泛采用的隐式矩阵分解技术。我们的方法的实现是开源的,可以应用于相关的项目项目推荐任务的边信息。
2017-12-18 cs.IR
Deep Neural Review Text Interaction for Recommendation Systems
用户的评论包含有价值的信息,而这些信息在大多数推荐系统中没有被考虑在内。根据该领域的最新研究,使用评论文本不仅可以提高推荐性能,而且可以减轻数据稀疏性的影响,有助于解决冷启动问题。在本文中,我们提出了一个神经推荐模型,推荐项目,利用用户评论。为了预测每个项目的用户评分,我们提出的模型,命名为匹配金字塔推荐系统(MPRS),代表每个用户和项目与其相应的评论文本。因此,推荐问题被视为一个文本匹配问题,使得从匹配用户和项目文本中获得的匹配分数可以被认为是它们的联合相似程度的良好代表。为了解决文本匹配问题,受MatchPyramid(Pang,2016)的启发,我们采用了一种基于交互的方法,根据该方法,在给定一对输入文本的情况下构建匹配矩阵。然后将具有分层匹配模式属性的匹配矩阵馈送到卷积神经网络(CNN)中,以计算给定用户-项目对的匹配分数。我们在Amazon评论数据集的小数据类别上的实验表明,与DeepCoNN模型相比,我们提出的模型的相对改进从1.76%提高到21.72%,与TransNets模型相比,相对改进从0.83%提高到3.15%。此外,在两个大类别,即AZ-CSJ和AZ-Mov上,与DeepCoNN模型相比,我们的模型实现了8.08%和7.56%的相对改进,与TransNets模型相比,分别实现了1.74%和0.86%的相对改进。
2020-03-16 cs.IR cs.SI
FlowRec: Prior-Informed Flow Matching for Efficient Sequential Recommendation Generation
University of Science and Technology of China(中国科学技术大学);Rutgers University(罗格斯大学)
FlowRec提出基于流匹配的序列推荐框架,利用历史交互构建个性化先验并学习向量场引导笔直偏好流,结合单步对齐目标与确定性ODE生成,在多个基准上同时提升推荐准确性与推理效率。
2026-09-22 cs.IR
Exploring Global Information for Session-based Recommendation
基于会话的推荐(SBR)是一个具有挑战性的任务,其目的是基于匿名的行为序列来推荐项目。现有的SBR研究大多只根据当前会话对用户偏好进行建模,而忽略了其他会话的项目转换信息,无法对复杂的项目转换模式进行建模。为了解决这些问题,我们引入了全局项转移信息来加强动态项转移的建模。为了充分利用SBR的全局项转移信息,本文研究了两种挖掘SBR全局信息的方法。具体来说,我们首先提出了一个基本的GNN为基础的框架(BGNN),它只使用会话图的会话级项目转换信息。基于BGNN,本文提出了一种新的基于全局信息的会话推荐方法(SRGI),该方法从两个不同的角度,通过充分探索所有会话上的全局项转移来推断用户偏好:(i)基于融合的模型(SRGI-FM),该模型将全局图上每个节点的邻居嵌入递归地结合到会话级项表示的学习过程中;(ii)基于约束的模型(SRGI-CM),它将全局级的项转换信息作为约束,以确保学习到的项嵌入与全局项转换一致。在三个流行的基准数据集上进行的大量实验表明,SRGI-FM和SRGI-CM的性能始终优于最先进的方法。
2021-06-01 cs.IR
Item-to-item recommendation based on Contextual Fisher Information
Web推荐服务在电子商务中非常重要,因为它们帮助用户浏览与其需求最相关的项目。在一个典型的网站中,用户以前的活动或购买的长期历史记录很少可用。因此,在大多数情况下,浏览器会建议与当前用户会话中最近查看的项目相似的项目。相应的任务称为基于会话的项目到项目推荐。对于频繁出现的项目,很容易通过“查看过此项目的人,也查看过”列表来呈现项目到项目的推荐。然而,大多数项目属于长尾,以前的行动稀疏可用。另一个困难是所谓的冷启动问题,当项目最近出现,还没有时间积累足够数量的交易。为了在稀疏或冷启动情况下推荐会话中的下一个项目,我们还必须结合项目相似性模型。在本文中,我们描述了一个基于随机场的概率相似性模型来近似项到项的转移概率。我们给出了一个生成模型的项目互动的基础上任意的距离措施,包括显式,隐式评级和外部元数据的项目。该模型可以及时改变以更好地拟合最近的事件,并基于更新的Fisher信息推荐下一个项目。在几个不同的性能指标和公开的数据集下,我们的新模型的性能优于简单的相似性基线方法和最近的项目到项目排序。我们达到了显着的收益,特别是推荐一个新的项目后,一个罕见的项目。
2016-11-08 cs.IR
TRec: Sequential Recommender Based On Latent Item Trend Information
推荐系统在在线Web应用中扮演着重要的角色。顺序推荐系统利用用户与项目交互的最新历史信息,进一步对用户的短期偏好进行建模。大多数顺序推荐方法忽略了不断变化的项目流行度的重要性。我们从直觉中提出了这个模型,即用户交互最多的项目可能在过去很受欢迎,但最近可能会过时。为此,本文提出了一种新的顺序推荐方法TRec,TRec从隐式用户交互历史中学习项目趋势信息,并将项目趋势信息整合到下一个项目推荐任务中.然后使用自注意力机制来学习更好的节点表示。我们的模型是通过基于排序的成对优化来训练的。我们在四个基准数据集上用七种基线方法进行了大量的实验,实验结果表明,我们的方法在保持较低运行时间开销的同时,性能优于其他最先进的方法。我们的研究证明了项目趋势信息在推荐系统设计中的重要性,并且我们的方法也具有很高的效率,这使得它在现实世界中是实用的。
2020-09-11 cs.IR
Attributes Coupling based Item Enhanced Matrix Factorization Technique for Recommender Systems
推荐系统由于能够帮助用户缓解信息过载问题而受到广泛关注。矩阵分解技术是协同过滤推荐系统研究中应用最广泛的技术之一,因为它可以有效地处理非常大的用户-项目评分矩阵。最近,基于直觉,额外的信息提供了有用的见解矩阵分解技术,一些推荐算法已经利用额外的信息,以提高矩阵分解方法的性能。然而,大多数的研究都集中在处理冷启动用户的问题上,而忽略了冷启动项目的问题。此外,这些内容增强的矩阵分解方法来计算分类项目之间的相似性,有几个合适的相似性措施。本文提出了一种基于属性耦合的项目增强矩阵分解方法,该方法将项目属性信息融入矩阵分解技术中,并采用耦合对象相似度来捕捉项目之间的关系。将项目属性信息作为项目关系正则项,对矩阵分解过程进行正则化。具体地,通过考虑项目之间的耦合的耦合对象相似性来测量项目之间的相似性。在两个真实数据集上的实验结果表明,该方法的推荐性能优于现有的推荐算法,并且在项目属性信息较多的情况下,能够有效地解决项目冷启动问题.
2014-05-05 cs.IR
Improving Outfit Recommendation with Co-supervision of Fashion Generation
Shandong University(山东大学);University of Amsterdam(阿姆斯特丹大学)
服装推荐的任务包括两个主要的挑战:视觉理解和视觉匹配。视觉理解的目的是提取有效的视觉特征。视觉匹配旨在模拟人类的兼容性概念,以计算时尚物品之间的匹配。大多数先前的研究仅依赖于推荐损失来指导视觉理解和匹配。尽管这些方法所捕获的特征描述了基本特征(例如,颜色、纹理、形状),它们与输出项的视觉信号(推荐)不直接相关。这是有问题的,因为美学特性(例如,风格,设计),我们可以直接推断输出项的基础上,是缺乏的。特征仅在推荐损失下学习,其中监督信号仅仅是给定的两个项目是否匹配。为了解决这个问题,我们提出了一个神经协同监督学习框架,称为Fashion推荐机(FARM)。FARM提高了视觉理解,通过纳入监督代损失,我们假设能够更好地编码美学信息。FARM通过引入一种新的层到层匹配机制来增强视觉匹配,从而更有效地融合美学信息,同时避免了过于关注生成质量而忽视推荐性能。在两个公开数据集上进行的大量实验表明,FARM在AUC和MRR方面优于最先进的服装推荐模型。通过对生成和推荐项目的详细分析表明,FARM可以编码更好的特征,并生成高质量的图像作为参考,以提高推荐性能。
2019-08-24 cs.CV cs.IR
Recommending Items in Social Tagging Systems Using Tag and Time Information
在这项工作中,我们提出了一种新的项目推荐方法,旨在提高协同过滤(CF)在社会标签系统中使用的标签和时间的信息。我们的算法遵循两步的方法,在第一步中,一个潜在的有趣的候选项集被发现使用基于用户的CF和在第二步中,这个候选项集使用基于项目的CF排名。在这个排名步骤中,我们使用来自人类记忆理论的基本水平学习(BLL)方程来整合标签使用和时间的信息,该方程用于使用幂律遗忘函数来确定单词和标签的重用概率。作为我们的广泛的评估的结果收集的数据集从三个社会标记系统(BibSonomy,CiteULike和MovieLens)显示,使用基于标签和时间信息通过BLL方程也有助于提高排名和推荐过程中的项目,因此,可以用来实现一个有效的项目推荐,优于两个替代算法,也利用时间和基于标签的信息。
2014-06-30 cs.IR
Neural Graph Matching based Collaborative Filtering
University of Melbourne(墨尔本大学)
用户和项目属性是基本的辅助信息;它们的交互(即,它们在样本数据中的共同出现)可以显著地提高各种推荐系统中的预测准确性。我们确定了两种不同类型的属性交互,内部交互和交叉交互:内部交互是指仅用户属性之间的交互或仅项目属性之间的交互;交叉交互是指用户属性和项目属性之间的交互。现有的模型没有区分这两种类型的属性交互,这可能不是利用交互所携带的信息的最有效的方式。为了解决这个问题,我们提出了一个基于神经图匹配的协同过滤模型(GMCF),它有效地捕捉这两种类型的属性的相互作用,通过建模和聚合属性的相互作用在一个图匹配结构的推荐。在我们的模型中,两个基本的推荐过程,特征学习和偏好匹配,明确地通过图学习(基于内部交互)和节点匹配(基于交叉交互),分别进行。实验结果表明,我们的模型优于国家的最先进的模型。进一步的研究验证了GMCF在提高推荐准确率方面的有效性。
2021-07-23 cs.AI cs.IR
Transition Information Enhanced Disentangled Graph Neural Networks for Session-based Recommendation
基于会话的推荐是一种基于匿名行为序列预测下一个项目的实用推荐任务,其性能严重依赖于序列中项目之间的转移信息。SBR中的SOTA方法使用GNN来模拟来自全局(即,其他会话)和局部(即,当前会话)上下文的相邻项转换。然而,大多数现有方法平等地对待来自不同会话的邻居,而没有考虑来自不同会话的邻居项目可能在不同方面与目标项目共享相似的特征,并且可能具有不同的贡献。换句话说,它们没有探索全局上下文中项之间的更细粒度的转换信息,导致性能次优。在本文中,我们填补了这一空白,提出了一种新的过渡信息增强的解纠缠图神经网络(TIE-DGNN)模型捕捉更细粒度的项目之间的过渡信息,并试图解释的原因,通过建模的项目的各种因素的过渡。具体来说,我们提出了一个位置感知的全局图,它利用相对位置信息来模拟相邻项的转换。然后,我们将项嵌入切片成块,每个块代表一个因子,并使用解纠缠模块在全局图上单独学习因子嵌入。对于本地上下文,我们通过使用注意力机制从当前会话捕获转换信息来训练项嵌入。为此,我们的模型考虑了两个层次的过渡信息。特别是在全局文本中,我们不仅考虑了更细粒度的项目之间的转换信息,而且还考虑了用户的意图在因素级解释的关键原因的过渡。在三个数据集上的大量实验表明,我们的方法优于SOTA方法。
2022-04-05 cs.IR
Disentangled Item Representation for Recommender Systems
推荐系统中的项目表示被期望揭示项目的属性。协同推荐方法通常将一个项目表示为一个单个的潜在向量。如今,电子商务平台提供物品的各种属性信息(例如,服装的种类、价格和款式)。利用这些属性信息来更好地表示项目是近年来流行的。一些研究使用给定的属性信息作为边信息,与项目特征向量连接以增强表征。然而,混合项目表示未能充分利用丰富的属性信息或提供解释的推荐系统。为此,我们提出了一种细粒度的解纠缠项目表示(Disentangled Item Representation,缩写为EEE)的推荐系统,在本文中,项目表示为几个独立的属性向量,而不是一个单一的潜在向量。通过这种方式,在属性级别上表示项目,从而可以在推荐中提供项目的细粒度信息。我们引入了一个学习策略,Learnstroke,它可以分配相应的属性向量的项目。我们展示了如何将神经网络应用于两个典型的模型,矩阵分解(MF)和递归神经网络(RNN)。在两个真实数据集上的实验结果表明,该框架下开发的模型是有效的和高效的。即使使用较少的参数,该模型可以优于国家的最先进的方法,特别是在冷启动的情况下。此外,我们做了可视化,以表明我们的主张可以为用户在现实世界中的应用程序提供解释。
2021-04-01 cs.IR
Modeling Sequential Recommendation as Missing Information Imputation
边信息被广泛用于提高顺序推荐模型的有效性。据说它有助于捕捉项目之间的过渡模式。以往的顺序推荐工作大多采用边信息分别对项目ID和边信息进行建模,这可能无法完全建模项目和它们的边信息之间的关系。此外,在现实世界的系统中,并不是所有的项目特征字段的值都是可用的。这损害了依赖于边信息的模型的性能。现有的方法倾向于忽略缺失项目特征字段的上下文,并且用通用或特殊值填充它们,例如,未知,这可能导致次优性能。为了解决边信息顺序排序器的局限性,我们定义了一种方法来融合边信息,并通过提出一个统一的任务来缓解边信息缺失的问题,即缺失信息填补(MII),它随机屏蔽给定序列中的一些特征字段,包括项目ID,然后强制预测模型来恢复它们。通过将下一个项目视为缺失的特征字段,顺序推荐可以被公式化为MII的特殊情况。我们提出了一个顺序推荐模型,称为缺失信息填补推荐(MIIR),建立在MII的思想,同时填补缺失项目的特征值,并预测下一个项目。我们设计了一个密集融合自注意(DFSA)机制MIIR捕捉项目和他们的边信息之间的所有成对关系。三个基准数据集的实证研究表明,MIIR,由MII监督,实现了显着更好的顺序推荐性能比最先进的基线。
2023-02-21 cs.IR
Itinerary-aware Personalized Deep Matching at Fliggy
在中国最受欢迎的在线旅游平台(OTP)之一Fliggy,从大基数的旅游项目池中为用户匹配项目一直是增加业务的最重要技术。OTP面临三大挑战:稀疏性、多样性和隐含性。在本文中,我们提出了一种新的Fliggy ITinerary-aware深度匹配网络(FitNET)来解决这三个挑战。FitNET基于流行的深度匹配网络设计,由于其有效性,该网络已成功应用于许多工业推荐系统。行程的概念首次提出的推荐系统的背景下,在线旅行社,它被定义为一个用户的未消费订单的列表。将用户行程中的所有订单作为一个整体来学习,基于此可以更准确地推断每个用户的隐含旅行意图。为了缓解稀疏性问题,用户的配置文件被纳入FitNET。同时,精心设计了一系列行程感知的注意力机制,捕捉用户行程与其他输入类别之间的重要交互。这些机制在推断用户的旅行意图或偏好以及处理用户需求的多样性方面非常有帮助。此外,两个培训目标,即,FitNET利用了用户出行意图的预测准确度和用户点击行为的预测准确度,从而可以同时优化这两个目标。在超过27万用户和155万旅行项目的Fliggy生产数据集上进行的离线实验以及在线A/B测试都表明,FitNET可以根据行程有效地学习用户的旅行意图,偏好和多样化需求,并且与最先进的方法相比具有更优越的性能。FitNET现在已经成功部署在Fliggy,为主要的在线流量提供服务。
2021-08-05 cs.IR
Distributional Domain-Invariant Preference Matching for Cross-Domain Recommendation
针对非重叠跨域推荐中偏好映射的挑战,提出分布域不变偏好匹配方法,通过分层逼近域级偏好分布并最小化分布距离,实现跨域偏好对齐。
2023-09-04 cs.IR
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用,其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器(MA-CVAE)用于标签推荐,它将项目协作信息和项目多辅助信息相耦合,内容和社交图谱,通过定义一个生成过程。具体而言,该模型使用变分自编码器(VAE)从不同的项目辅助信息中学习深度潜在嵌入,该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外,为了推荐新项目的标签,项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理,其中重建损失被添加在训练阶段中,以通过不同的辅助嵌入来限制反馈预测的生成。此外,一个归纳变分图自动编码器的设计,新的项目节点可以推断在测试阶段,使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
Re-weighting Negative Samples for Model-Agnostic Matching
推荐系统作为一种从庞大的语料库中发现用户感兴趣项目的有效工具,越来越受到学术界和工业界的关注。大规模匹配作为遥感的初始阶段,是基础性的,也是具有挑战性的。一个典型的方法是使用双塔架构学习用户和项目表示,然后计算两个表示向量之间的相似性得分,然而,这仍然在如何正确处理负样本方面存在困难。在本文中,我们发现,通常的做法,从整个空间中随机抽样的负样本,并平等对待他们不是一个最佳的选择,因为负样本从不同的子空间在不同的阶段有不同的重要性,一个匹配模型。为了解决这个问题,我们提出了一种新的方法命名为无偏模型无关匹配方法(UMA $^2$)。它由两个基本模块组成,包括1)通用匹配模型(GMM),它是模型不可知的,可以实现为任何基于嵌入的双塔模型; 2)负样本去偏网络(NSDN),它通过借用逆倾向加权(IPW)的思想来区分负样本,并重新权衡GMM中的损失。UMA $^2$将这两个模块无缝集成到一个端到端的多任务学习框架中。在真实世界的离线数据集和在线A/B测试上的大量实验证明了其优越性。
2022-07-06 cs.IR
Beyond Two-Tower Matching: Learning Sparse Retrievable Cross-Interactions for Recommendation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Zhejiang University(浙江大学)
针对双塔模型特征交互受限和在线精度不足的问题,本文提出SparCode匹配范式,通过全对全交互模块和联合训练的离散稀疏倒排索引,在保持检索效率的同时显著提升候选物品匹配准确性。
2023-11-30 cs.AI cs.IR
Beyond Semantics: Learning a Behavior Augmented Relevance Model with Self-supervised Learning
Ant Group(蚂蚁集团);East China Normal University(华东师范大学)
针对纯语义匹配的局限,本文提出行为增强相关性模型BARL-ASe,利用查询与物品的邻居信息构建多级协同注意力,并结合自监督学习提升准确性与鲁棒性,在Alipay搜索场景中实现低延迟且性能优异。
2023-10-24 cs.AI cs.IR
SLIF-MR: Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation
针对多模态知识图结构在训练中被冻结导致融合不充分的问题,提出SLIF-MR框架,利用前一训练周期的项目表示作为反馈信号动态优化异构图结构,并结合语义一致性学习策略,显著提升了推荐的准确性和鲁棒性。
2025-07-14 cs.IR
Approximate Nearest Neighbor Search under Neural Similarity Metric for Large-Scale Recommendation
Alibaba group(阿里巴巴集团)
基于模型的推荐系统已经被广泛研究了很多年。现代推荐系统通常采用表示学习模型和基于嵌入的近似最近邻(Approximate Nearest Neighbor,ANN)搜索来解决大规模语料库带来的效率问题。在提供高效检索的同时,基于嵌入的检索模式也限制了模型容量,因为用户项偏好度量的形式受限于它们的嵌入表示之间的距离。然而,对于其他更精确的用户项目偏好度量,例如,直接从深度神经网络导出的偏好分数,由于缺乏有效的检索方法,它们在计算上是难以处理的,并且对所有用户-项目对的穷举搜索是不切实际的。在本文中,我们提出了一种新的方法来扩展人工神经网络搜索任意匹配功能,例如,深度神经网络。我们的主要思想是执行一个贪婪的步行与匹配功能的相似性图构造的所有项目。为了解决图构造和用户-项目匹配函数的相似性度量异构的问题,提出了一种可插入的对抗训练任务,以确保具有任意匹配函数的图搜索能够达到相当高的精度。在开源和工业数据集上的实验结果证明了该方法的有效性。该方法已在淘宝展示广告平台中全面部署,并带来了可观的广告收入增长。我们还总结了我们的部署在本文中的详细经验。
2022-02-28 cs.IR cs.LG
On Practical Diversified Recommendation with Controllable Category Diversity Framework
针对推荐系统回声室效应,提出可控类别多样性框架CCDF,通过两阶段匹配同时提升用户显式与非交互多样性,离线与在线实验验证其有效性。
2024-02-06 cs.IR
Using Interventions to Improve Out-of-Distribution Generalization of Text-Matching Recommendation Systems
Microsoft Research(微软研究院)
针对文本匹配推荐系统微调后分布外泛化能力下降的问题,提出基于干预的正则化方法约束token因果效应与基础模型相近,在多数据集上有效提升了泛化表现。
2023-06-14 cs.IR cs.LG
Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战,特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息,因此有可能帮助提供更好的推荐。在本文中,我们提出了一个推荐算法的基础上,综合扩散的用户-项目-标签三方图。我们使用三个基准数据集,Del.icio.us,MovieLens和BibSonomy,来评估我们的算法。实验结果表明,标签信息的使用可以显着提高推荐的准确性,多样化和新颖性。
2009-04-13 cs.IR
UGRec: Modeling Directed and Undirected Relations for Recommendation
推荐系统,这仅仅是利用用户项目的交互用户偏好预测(如基于协同过滤的),往往面临着显着的性能下降时,用户或项目的互动是不够的。近年来,已经探索了各种类型的边信息来缓解这个问题。其中,知识图谱(KG)由于能够将用户/项目及其关联属性编码在图结构中,从而保持关系信息,引起了广泛的研究兴趣。相比之下,较少关注项目-项目同现信息(即,\textit{co-view}),它包含丰富的项目间相似性信息。它从不同于用户/项目属性图的角度提供信息,并且对于CF推荐模型也是有价值的。在这项工作中,我们努力研究整合两种类型的辅助信息(即,KG和项目-项目共现数据)进行推荐。为了实现这一目标,我们提出了一个统一的基于图的推荐模型(UGRec),它集成了传统的KG中的有向关系和无向项目-项目共生关系的同时。特别地,对于有向关系,我们将头和尾实体转换到对应的关系空间中以建模它们的关系;对于无向同现关系,我们将头和尾实体投影到实体空间中的唯一超平面中以最小化它们的距离。此外,为细粒度关系建模设计了一种首尾关系感知的注意机制。已经进行了广泛的实验,在几个公开访问的数据集,以评估所提出的模型。结果表明,我们的模型优于以前的几个国家的最先进的方法,并证明了我们的UGRec模型的有效性。
2021-05-10 cs.IR
A Data-Centric Approach to Multilingual E-Commerce Product Search: Case Study on Query-Category and Query-Item Relevance
Beijing Jiaotong University(北京交通大学);Xi’an University of Architecture and Technology(西安建筑科技大学);Harbin University of Science and Technology(哈尔滨理工大学);Cangzhou Jiaotong College(沧州交通学院)
针对多语言电商搜索的数据不平衡与标签噪声问题,提出架构无关的数据中心框架,通过翻译增强、语义负采样和自验证过滤重构训练数据,在CIKM AnalytiCup 2025上显著提升F1分数,证明数据工程可媲美甚至优于复杂模型改进。
2025-10-24 cs.IR
Temporal aware Multi-Interest Graph Neural Network For Session-based Recommendation
基于会话的推荐(SBR)是一个具有挑战性的任务,它的目的是推荐下一个项目的匿名交互序列的基础上。尽管现有的SBR方法性能优越,但仍然存在一些局限性:(1)几乎所有现有的工作都集中在单一的兴趣提取,而不能解开用户的多个兴趣,这很容易导致SBR的次优表示。(ii)此外,以前的方法也忽略了多种形式的时间信息,这是重要的信号,以获得当前的意图SBR。为了解决上述局限性,我们提出了一种新的方法,称为\emph{Temporal aware Multi-Interest Graph Neural Network}(TMI-GNN)解开多个利益,并产生细化的意图表示与两个级别的时间信息的注入。具体来说,通过添加多个兴趣节点,我们为当前会话构建了一个多兴趣图,并采用GNN来建模项目-项目关系以捕获相邻的项目转换,项目-兴趣关系以解开多个兴趣,以及兴趣-项目关系以细化项目表示。同时,我们结合项目级的时间间隔信号来引导项目信息的传播,和兴趣级的时间分布信息,以帮助分散的兴趣信息。在三个基准数据集上的实验表明,TMI-GNN始终优于其他最先进的方法。
2021-12-31 cs.IR
IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation
School of Information Technology, Carleton University(卡尔顿大学信息技术学院)
IGDMRec通过行为条件图扩散和条件去噪网络,利用用户行为信息去噪多模态推荐的语义物品图,提升推荐性能。
2025-12-23 cs.IR
Less is More: Information Bottleneck Denoised Multimedia Recommendation
针对多媒体推荐中引入不相关特征的问题,提出基于信息瓶颈的去噪模型IBMRec,通过特征级和图级两级IB学习去除任务无关特征,在三个基准上验证了高性能和通用性。
2025-01-21 cs.IR
Unleashing the Potential of Two-Tower Models: Diffusion-Based Cross-Interaction for Large-Scale Matching
Kuaishou Technology(快手科技);Unaffiliated(无所属机构)
针对双塔模型缺乏用户与物品交互的问题,提出基于扩散模块重构用户下一意图并辅以混合注意力的交叉交互解耦架构,在真实与工业数据集上显著超越SOTA。
2025-02-28 cs.AI cs.IR
Transfer Learning for Content-Based Recommender Systems using Tree Matching
Deutsche Telekom Labs(德国电信实验室);Ben-Gurion University(本-古里安大学)
在本文中,我们提出了一种新的方法,基于内容的迁移学习解决数据稀疏性问题的情况下,用户的偏好在目标域是稀缺的或不可用的,但必要的信息存在于另一个域的偏好。我们表明,训练系统使用跨域的信息可以产生更好的性能。具体来说,我们表示用户的行为模式的基础上的拓扑图结构。每个行为模式代表一组用户的行为,当用户的行为被定义为他们评分的项目和项目的评分值时。在下一步中,我们将找到源域中的行为模式与目标域中的行为模式之间的相关性。这种映射被认为是两个域之间的桥梁。基于项目的相关性和内容属性,我们训练一个机器学习模型来预测用户在目标领域的评分。当我们将我们的方法与真实世界数据集上的流行度方法和KNN跨域方法进行比较时,结果显示,在平均83个$%$的情况下,我们的方法优于这两种方法。
2013-05-15 cs.IR cs.LG
BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism
Sun Yat-sen University(中山大学);Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education(教育部机器智能与先进计算重点实验室);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Tsinghua University(清华大学)
基于协同过滤(CF)的推荐方法已经被广泛研究,其通常可以分为两种类型,即,基于表示学习的CF方法和基于匹配函数学习的CF方法。表示学习试图为用户和项目的表示学习一个公共的低维空间。在这种情况下,如果用户和项目在公共空间中具有更高的相似性,则它们匹配得更好。匹配函数学习试图直接学习将用户-项目对映射到匹配分数的复杂匹配函数。虽然这两种方法都发展得很好,但它们有两个基本缺陷,即,表示学习依赖于应用点积,其对用户和项目的潜在特征具有有限的表达性,而匹配函数学习在捕获低秩关系方面具有弱点。为了克服这些缺陷,我们提出了一种新的推荐模型平衡协同过滤网络(BCFNet),它具有两种类型的方法的优点。此外,设计了一种注意力机制,以更好地捕捉隐含反馈中的隐藏信息,增强神经网络的学习能力。此外,设计了一个平衡模块来缓解DNN中的过拟合问题。在8个真实数据集上的实验证明了该模型的有效性。
2021-04-11 cs.AI cs.IR cs.LG
Attribute-aware Explainable Complementary Clothing Recommendation
The University of Queensland(昆士兰大学)
现代电子商务推荐系统对时尚商品之间的混搭关系建模的要求越来越高,但也越来越具有挑战性。在进行服装匹配时,大多数现有的方法利用从时尚物品图像中提取的潜在视觉特征进行兼容性建模,这缺乏对所生成的匹配结果的可解释性,并且难以说服用户推荐。尽管最近的方法开始结合预定义的属性信息(例如,颜色、款式、长度等)对于学习项目表示和改进模型可解释性,它们对属性信息的利用仍然主要保留用于增强所学习的项目表示和经由后处理生成解释。因此,当我们试图提高推荐准确性并生成细粒度的解释时,这会产生严重的瓶颈,因为显式属性与实际推荐过程只有松散的联系。本文提出了一种新颖的属性感知的时尚推荐器(AFRec),旨在解决时尚推荐任务中的可解释性挑战。具体而言,AFRec推荐器通过明确利用从每个项目的视觉特征中提取的属性级表示来评估服装兼容性。属性作为两个时尚物品之间的桥梁,我们通过学习它们属性之间的兼容性来量化一对物品的亲和力。大量的实验表明,通过充分利用推荐过程中的显式属性,AFRec能够实现最先进的推荐准确率,同时生成直观的解释。
2021-07-04 cs.IR cs.LG
Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation
Criteo;Facebook AI Research
我们提出了Meta-M2 vec,一种新的方法来计算项目相似度的建议,利用现有的项目元数据。在内容推荐、广告定位和网络搜索等应用中经常会遇到这样的场景。我们的方法利用过去的用户与项目及其属性的交互来计算项目的低维嵌入。具体地说,项元数据作为辅助信息被注入到模型中,以正则化项嵌入。我们表明,新的项目表示导致更好的性能在一个开放的音乐数据集上的推荐任务。
2016-07-25 cs.AI cs.IR
Tip of the Tongue Known-Item Retrieval: A Case Study in Movie Identification
虽然当前的信息检索系统对于已知项目的检索是有效的,其中检索器提供了被查找项目的精确名称或标识符,但是对于检索器不能表达精确名称或标识符的情况,系统往往不太有效。我们称之为舌尖(TOT)已知项目检索,以无法从记忆中检索项目的认知状态命名。以电影搜索为例,探讨了社区问答网站中TOT状态下搜索者提问的特征。我们分析了搜索如何表达他们的信息需求在TOT状态在电影领域。具体来说,搜索者记住了关于所搜索的项目的哪些信息,以及他们如何传达这些信息?我们的研究结果表明,搜索者使用以下信息的组合:(1)所搜索项目的内容,(2)他们以前与该项目接触的上下文,以及(3)以前使用其他资源(例如,搜索引擎)。此外,搜索者有时通过表达不确定性来传达信息(即,对冲),意见,情绪,并通过执行相对(相对于绝对)的比较项目的属性。作为我们的分析结果,我们认为,搜索TOT状态可能需要专门的查询理解方法或文档表示。最后,我们初步的检索实验显示的信息请求中的每种信息类型对检索性能的影响。
2021-01-18 cs.HC cs.IR
Pre-training Graph Transformer with Multimodal Side Information for Recommendation
Alibaba-NTU Singapore Joint Research Institute(阿里巴巴-新加坡南洋理工大学联合研究院);Nanyang Technological University(南洋理工大学);University of Science and Technology of China(中国科学技术大学);Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学)
项目的辅助信息,例如,图像和文本描述,已被证明是有效的,有助于准确的建议。受最近自然语言和图像预训练模型的成功启发,我们提出了一种预训练策略,通过考虑项目侧信息及其关系来学习项目表示。我们通过常见的用户活动来关联项目,例如,共同购买,并构建一个同质项目图。该图提供了多模态中项目关系及其关联边信息的统一视图。我们开发了一种新的采样算法MCNSampling为每个项目选择上下文邻居。提出的预训练多模态图Transformer(PMGT)学习项目表示有两个目标:1)图结构重建,和2)掩蔽节点特征重建。在真实数据集上的实验结果表明,PMGT模型有效地利用了多模态边信息,在项目推荐、项目分类和点击率预测等下游任务中实现了更高的准确率。我们还报告了一个案例研究,在60万用户的在线设置中测试所提出的PMGT模型。
2021-01-07 cs.IR cs.LG
ItemRAG: Item-Based Retrieval-Augmented Generation for LLM-Based Recommendation
Seoul National University(首尔国立大学)
ItemRAG通过细粒度物品级检索提升推荐效果,结合共购信息与语义信息,有效解决冷启动问题,实验表明其优于现有RAG方法。
2026-04-22 cs.AI cs.IR
Using Contextual Information as Virtual Items on Top-N Recommender Systems
LIAAD-INESC Porto L.A.(波尔图人工智能与决策支持实验室- INESC波尔图实验室协会)
传统上,Web推荐系统处理具有两个维度(用户和项目)的应用程序。基于与这些维度相关的访问日志,可以构建推荐模型,并将其用于识别某个用户将感兴趣的N个项目的集合。在本文中,我们提出了一种方法来补充信息的访问日志与上下文信息,而不改变推荐算法。该方法在于将上下文表示为虚拟项。我们实证测试这种方法与两个前N推荐系统,基于项目的协同过滤技术和关联规则,在三个数据集。结果表明,我们的方法是能够利用上下文(新的维度)时,它是信息。
2011-11-15 cs.IR cs.LG
Improving Text Matching in E-Commerce Search with A Rationalizable, Intervenable and Fast Entity-Based Relevance Model
ShanghaiTech University(上海科技大学);Alibaba Group(阿里巴巴集团);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
针对电商搜索中现有相关性模型准确率与推理速度难以兼顾的问题,提出基于实体的EBRM模型,通过分解查询-商品相关性为查询-实体问题并软逻辑聚合,兼顾准确率、推理速度与可解释可干预性,经电商数据验证性能提升显著。
2023-07-19 cs.CL cs.IR
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
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
Item Silk Road: Recommending Items from Information Domains to Social Users
National University of Singapore(新加坡国立大学);ShanDong University(山东大学)
在线平台可以分为面向信息和面向社交的领域。前者指的是强调用户与物品互动的论坛或电子商务网站,如Trip.com和亚马逊;而后者指的是具有丰富用户与用户联系的社交网络服务(SNS),如Facebook和Twitter。尽管这两个域具有异质性,但可以通过一些重叠的用户(称为桥接用户)来桥接这两个域。在这项工作中,我们解决了跨域社会推荐的问题,即,向社交网络的潜在用户推荐信息域的相关项。据我们所知,这是一个新问题,以前很少有人研究。现有的跨域推荐系统不适合这项任务,因为他们要么专注于同质信息域或假设用户是完全重叠的。为此,我们提出了一种新的神经社会协作排名(NSCR)的方法,无缝缝合的信息域中的用户-项目的互动和用户-用户之间的连接在SNS。在信息域部分,利用用户和项目的属性来加强用户和项目的嵌入学习。在SNS部分,桥用户的嵌入被传播以学习其他非桥用户的嵌入。在两个真实数据集上的实验证明了该方法的有效性和合理性。
2017-06-10 cs.AI cs.IR cs.SI