SWAG: Item Recommendations using Convolutions on Weighted Graphs
Target Corporation（塔吉特公司）
最近在用于图结构数据的深度神经网络方面的进展已经导致推荐系统基准测试的最新性能。在这项工作中，我们提出了一个图卷积网络（GCN）算法SWAG（样本权重和AGgregate），它结合了有效的随机游走和加权图上的图卷积生成嵌入的节点（项目），结合图结构以及节点的特征信息，如项目的描述和项目的图像。使我们能够有效地基于图结构生成节点嵌入的三个重要SWAG操作是：（a）将图采样为同构结构，（b）加权采样，行走和卷积操作，以及（c）使用AGgregation函数生成卷积。这项工作是一个适应graphSAGE加权图。我们在Target部署SWAG，并在一个包含超过50万条边的在线销售产品的图形上对其进行训练。离线和在线评估揭示了使用基于图的方法的好处，以及加权产生高质量嵌入和产品推荐的好处。
2019-11-22 cs.IR cs.LG stat.CO
Deep density networks and uncertainty in recommender systems
Taboola（塔布拉）；DeepLab（深度实验室）
构建健壮的在线内容推荐系统需要学习用户偏好和内容特征之间的复杂交互。近年来，该领域从传统的多臂强盗和协同过滤技术迅速发展，新方法采用深度学习模型来捕获非线性。尽管取得了进展，但在线推荐的动态性质仍然带来了巨大的挑战，例如在探索和利用之间找到微妙的平衡。在本文中，我们将展示如何不确定性估计可以通过采用它们在一个乐观的开发/探索策略，更有效地探索新的建议。我们提供了一种新的混合深度神经网络模型，深度密度网络（DDN），它集成了基于内容的深度学习模型与协作方案，能够鲁棒地建模和估计不确定性。最后，我们将DNN整合到一个每天提供数十亿推荐的真实内容推荐系统中，并展示了在实践中使用DDN的好处。
2018-05-06 cs.IR cs.LG
Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems
Amazon（亚马逊）；The Ohio State University（俄亥俄州立大学）；École de Technologie Supérieure（高等技术学院）；University of Minnesota（明尼苏达大学）
基于最近邻的协作推荐方法由于其简单性、效率以及产生准确和个性化推荐的能力而在今天仍然非常流行。本章提供了一个全面的调查，基于邻域的方法的项目推荐问题。它提出了这样的方法的主要特点和好处，描述了关键的设计选择实现一个基于邻居的推荐系统，并给出了实际的信息，如何使这些选择。本章涵盖了广泛的方法，包括k-最近邻等传统算法以及基于矩阵分解、稀疏编码和随机游走的高级方法。
2021-09-09 cs.IR cs.LG
Enhancing E-Commerce Recommendation using Pre-Trained Language Model and Fine-Tuning
预训练语言模型（PLM）在广泛的自然语言处理（NLP）任务中取得了巨大的成功。然而，它刚刚开始被应用到推荐系统领域。传统的推荐算法未能充分利用电子商业数据中丰富的文本信息，从而影响了推荐模型的性能。我们提出了一个彻底的调查的各种策略，将PLM到传统的推荐算法的效果之一的电子商业数据集，我们比较的结果与香草推荐基线模型。我们表明，PLM的应用和特定领域的微调可以提高组合模型的预测能力。这些结果强调了在电子商业中利用文本信息的重要性，并提供了如何更好地应用PLM与传统的推荐系统算法的见解。本文中使用的代码可以在Github上获得：https://github.com/NuofanXu/bert_retail_recommender。
2023-02-09 cs.CL cs.IR cs.LG
Rewiring What-to-Watch-Next Recommendations to Reduce Radicalization Pathways
Universitat Pompeu Fabra（庞培法布拉大学）；Eurecat（加泰罗尼亚技术中心）；East China Normal University（华东师范大学）；ISI Foundation（ISI基金会）；ICREA（加泰罗尼亚研究与高级研究院）；University of Helsinki（赫尔辛基大学）
本文将“接下来看什么”推荐建模为 d-正则有向图，通过重构少量推荐边降低激进化内容的隔离分数，并提出基于吸收随机游走的贪心算法。
2022-02-01 cs.CY cs.LG cs.SI
Reviewing Developments of Graph Convolutional Network Techniques for Recommendation Systems
Institute of Advanced Scientific Research（高级科学研究所）；Shivaji University（希瓦吉大学）
本文综述了图神经网络在推荐系统中的应用，涵盖背景、分类、动机及图构建、嵌入传播和计算效率的挑战，并展望未来方向。
2023-11-10 cs.AI cs.IR cs.LG
Weightless Neural Networks for Continuously Trainable Personalized Recommendation Systems
nimo Omnis Labs
本文提出使用无权神经网络构建逐用户的小型个性化推荐模型，实现持续学习并提升透明度，在MovieLens子集上取得与经典加权系统和协同过滤相当的准确率。
2025-09-15 cs.AI cs.IR cs.LG
Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse-Data Environments
University of Pennsylvania（宾夕法尼亚大学）；NEC Research Institute（NEC研究院）
推荐系统利用产品和社区信息将产品定位给消费者。研究人员已经开发出协作式浏览器、基于内容的浏览器和（主要是自组织的）混合系统。我们提出了一个统一的概率框架合并协作和基于内容的建议。我们扩展了Hofmann的[1999]方面模型，将用户，项目和项目内容之间的三路共现数据。协作数据与内容数据的相对影响不是作为外生参数强加的，而是从给定的数据源自然出现的。与标准期望最大化（EM）学习算法相结合的全局概率模型在稀疏数据情况下往往会严重过拟合，这在推荐应用中是典型的。我们表明，次要内容信息通常可以用来克服稀疏性。对来自计算机科学出版物的ResearchIndex库的数据的实验表明，适当的混合模型结合二级数据产生比k-最近邻（k-NN）更好的质量预测器。全局概率模型也允许比k-NN等局部方法更一般的推断。
2013-01-10 cs.IR cs.LG stat.ML
A Fairness-aware Hybrid Recommender System
UC Santa Cruz（加州大学圣克鲁兹分校）
推荐系统被广泛应用于影响人们生活的各个领域。这引起了人们对这种制度可能加剧的偏见和歧视的关切。推荐系统中存在两种主要的固有偏差：观察偏差和不平衡数据引起的偏差。观察偏差的存在是由于反馈回路导致模型学习仅预测与先前相似的建议。当数据中存在系统性的社会、历史或其他环境偏见时，就会出现数据不平衡。在本文中，我们提出了一个混合公平意识推荐系统解决这两个偏见。我们的模型通过整合多个用户-用户和项目-项目相似性度量，内容和人口统计信息，同时解决推荐偏见，提供高效和准确的推荐。我们实现我们的模型使用一个强大的和表达概率程序设计语言称为概率软逻辑。我们在一个流行的电影推荐数据集上对我们的方法进行了实验评估，结果表明，与最先进的公平推荐系统相比，我们提出的模型可以提供更准确，更公平的推荐。
2018-09-13 cs.IR cs.LG stat.ML
Pixie: A System for Recommending 3+ Billion Items to 200+ Million Users in Real-Time
Pinterest
现代内容发现应用中的用户体验关键取决于高质量的个性化推荐。然而，由于大量的项目池、大量的用户以及对响应于用户动作并按需实时的【形】生成的推荐的要求，构建提供这种推荐的系统提出了重大挑战。在这里，我们介绍了Pixie，一个可扩展的基于图的实时的【形】推荐系统，我们开发和部署在Pinterest。给定一组用户特定的引脚作为查询，Pixie会从数十亿个可能的引脚中实时的【形】选择与查询最相关的引脚。为了生成推荐，我们开发了Pixie Random Walk算法，该算法利用了30亿个节点和170亿条边的Pinterest对象图。实验表明，与以前基于Hadoop的生产系统相比，Pixie提供的推荐可以提高50%的用户参与度。此外，我们还开发了一种图修剪策略，使推荐性能提高了58%。最后，我们讨论Pixie的系统方面，其中单个服务器每秒执行1，200个推荐请求，延迟为60毫秒。今天，Pixie支持的系统贡献了Pinterest上超过80%的用户参与度。
2017-11-21 cs.IR cs.LG cs.PF
S-Walk: Accurate and Scalable Session-based Recommendationwith Random Walks
基于会话的推荐（SR）从匿名用户消费的先前项目序列中预测下一个项目。大多数现有的SR模型只关注建模会话内的特征，而很少关注会话间的项目关系，这有可能提高准确性。推荐系统的另一个关键方面是计算效率和可扩展性，考虑到商业应用的实际可行性。考虑到准确性和可扩展性，我们提出了一种新的基于会话的推荐与随机游走，即S-步行。准确地说，S-Walk通过使用重启随机游走（RWR）处理项目之间的高阶关系，有效地捕获会话内和会话间的相关性。通过采用线性模型与封闭形式的解决方案的过渡和隐形传态矩阵，构成RWR，S-Walk是高效和可扩展的。大量的实验表明，S-Walk在四个基准数据集上的各种指标中实现了相当或最先进的性能。此外，通过S-Walk学习的模型可以在不牺牲准确性的情况下进行高度压缩，比现有的基于DNN的模型快两个或更多个数量级的推理，使其适用于大规模商业系统。
2022-01-04 cs.IR
Real-Time Learning from An Expert in Deep Recommendation Systems with Marginal Distance Probability Distribution
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）
推荐系统在当今的数字世界中发挥着重要作用。它们已经在诸如音乐平台的各种应用中得到应用，Spotify和电影流媒体服务，例如，网飞体育锻炼推荐系统的研究较少。久坐不动的生活方式已经成为几种疾病和医疗费用的主要驱动力。在本文中，我们开发了一个推荐系统的日常锻炼活动的用户的基础上，他们的历史，个人资料和类似的用户。开发的推荐系统使用了深度递归神经网络与用户配置文件的注意力和时间注意力机制。此外，练习推荐系统与流推荐系统有很大的不同，因为我们无法从练习推荐系统的参与者那里收集点击反馈。因此，我们提出了一个实时的【形】的，专家在环主动学习过程。主动学习器计算每个用户在每个时间步的推荐器的不确定性，并在确定性低时向专家请求推荐。本文推导了边际距离的概率分布函数，并利用它来确定何时向专家征求反馈。我们在mHealth数据集上的实验结果显示，将实时的【形】主动学习者与推荐系统结合后，准确性得到了提高。
2022-04-04 cs.AI cs.CV cs.HC
CR-Walker: Tree-Structured Graph Reasoning and Dialog Acts for Conversational Recommendation
Tsinghua University（清华大学）；Alibaba Group（阿里巴巴集团）
会话式推荐系统（CRS）通过会话式交互探索用户的偏好，从而提供合适的推荐，这一研究受到了越来越多的关注。然而，在现有CRS中仍然缺乏以下能力：（1）遍历背景知识上的多个推理路径以引入相关项目和属性，以及（2）在当前系统意图下适当地布置所选实体以控制响应生成。为了解决这些问题，我们提出了CR-沃克在本文中，一个模型，执行树结构的推理知识图谱，并产生信息对话行为，以指导语言生成。树形结构推理的独特方案将每一跳处的遍历实体视为对话的一部分，以促进语言生成，这将实体的选择和表达联系起来。自动和人工评估表明，CR-Walker可以达到更准确的推荐，并生成更多信息和吸引人的响应。
2021-09-03 cs.CL cs.IR
Finding Local Experts for Dynamic Recommendations Using Lazy Random Walk
基于统计的隐私感知推荐系统通过从社交联系人交互日志中提取知识来使推荐更强大，但不幸的是，它们是静态的。此外，当地专家的建议有助于在特定地区找到特定的业务类别。我们提出了一个动态推荐算法的基础上，懒惰的随机游走，建议排名第一的购物场所潜在感兴趣的游客。我们考虑地方权威和专题权威。该算法在印度尼西亚5个城市的FourSquare购物数据集上进行了测试，k步为5，7，9的（懒惰）随机游走，并将结果与其他最先进的排名技术进行了比较。结果表明，该方法具有较高的评分精度（k=5时，评分精度分别为0.5，0.37和0.26）。该算法还显示了关于执行时间的可扩展性。动态性的优点是数据库用于为推荐系统提供动力;不需要非常频繁地更新以产生好的推荐。
2020-07-29 cs.IR
Weighted Random Walk Sampling for Multi-Relational Recommendation
在信息过载的网络中，个性化推荐系统是帮助用户找到最相关信息的重要工具。最常用的推荐框架假设用户交互的特点是一个单一的关系。然而，对于许多任务，例如社交网络中的推荐，用户-项目交互必须被建模为多个关系的复杂网络，而不仅仅是单个关系。最近的多关系分解和混合推荐模型的研究表明，使用扩展的元路径来捕获额外的信息，用户和项目在网络中可以提高在这样的网络中的推荐的准确性。大部分的工作集中在未加权的异构网络，并应用这些技术，加权关系必须简化为二进制的。然而，与加权边缘相关联的信息，例如用户评级，这可能是至关重要的推荐，在这样的二进制化中丢失。本文提出了一种边采样频率为边权重函数的随机游走采样方法，并应用该方法在加权异构网络中生成扩展元路径。通过这种采样技术，我们在多个数据集上的推荐准确性和模型生成效率方面都表现出了改进的性能。
2017-03-02 cs.IR cs.SI
Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation
Fudan University（复旦大学）
基于会话的推荐（SR）已经成为各种电子商务平台的重要和流行的组件，其目的是基于给定的会话预测下一个交互项目。现有的SR模型大多只关注于利用会话中某个用户交互的连续项目来捕捉项目间的转换模式。虽然其中一些已经被证明是有效的，但以下两个见解往往被忽视。首先，用户的微行为，诸如用户定位项目的方式、用户在项目上提交的活动（例如，阅读评论，添加到购物车），提供对用户偏好的细粒度和深入的理解。第二，项目属性，也称为项目知识，提供侧信息来建模交互项目之间的转换模式，并缓解数据稀疏问题。本文提出了一种新的SR模型MKM-SR，将用户微观行为和项目知识结合到基于会话的推荐的多任务学习中。具体地，给定会话在MKM-SR中的微行为级别上建模，即，使用项目-操作对的序列而不是项目的序列，以充分地捕获会话中的转换模式。此外，我们提出了一个多任务的学习范式，涉及学习知识嵌入，它起着辅助任务的作用，以促进SR的主要任务。它使我们的模型，以获得更好的会话表示，从而产生更精确的SR推荐结果。在两个基准数据集上的广泛评估表明MKM-SR的优越性超过了最先进的SR模型，证明了纳入知识学习的策略。
2020-06-12 cs.IR cs.LG
A Random Walk Model for Item Recommendation in Folksonomies
社会化标记作为一种新颖的信息组织和发现方法，已被广泛应用于许多Web2.0应用中。标签提供了一种新的信息类型，可以被推荐系统利用。然而，三元<用户，标签，项目>交互数据的稀疏性限制了基于标签的协同过滤的性能。提出了一种基于随机游走的算法来处理社会标签数据中的稀疏性问题，该算法通过用户与标签的交互来捕捉用户与项目之间潜在的传递性关联。特别是，两个平滑策略，提出了以用户为中心和以项目为中心的角度。在真实数据集上的实验证明了该算法的有效性。
2013-09-27 cs.IR
Dual-Phase Playtime-guided Recommendation: Interest Intensity Exploration and Multimodal Random Walks
Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
针对游戏推荐中游戏时长未被充分利用及多模态信息潜力被忽视的问题，提出DP2Rec模型，通过双阶段模块联合优化准确性与多样性，在真实数据集上表现更优。
2025-08-09 cs.AI cs.IR
Solving the accuracy-diversity dilemma via directed random walks
随机游走在协同过滤推荐系统中被成功地用于度量用户或对象的相似性，具有较高的准确性和较低的多样性。CF系统的一个关键挑战是，可靠准确的结果是通过同行的建议，但最有用的个人建议是很难找到不同的利基对象。在本文中，我们研究了方向效应的随机游走用户相似性测量，发现用户相似性，计算有向随机游走，是反向的初始节点的程度。在实际数据集中，小度用户和大度用户的比例很大，传统的CF算法主要推荐大度用户的选择。通过调整用户的相似性方向从邻居到目标用户，我们引入了一个新的算法，专门解决CF的多样性的挑战，并展示了它如何可以用来解决准确性多样性的困境。在不依赖任何特定于上下文的信息的情况下，我们能够获得准确和多样化的建议，这优于最先进的CF方法。这项工作表明，随机游走方向是一个重要的因素，以提高个性化推荐性能。
2012-01-30 cs.IR physics.data-an
A Comparative Study of Matrix Factorization and Random Walk with Restart in Recommender Systems
在矩阵分解和重启随机游走（RWR）之间，哪种方法更适合推荐系统？哪种方法更好地处理显式或隐式反馈数据？其他信息是否有助于推荐？推荐系统在许多电子商务服务中扮演着重要的角色，例如亚马逊和Netflix向用户推荐新商品。在各种推荐策略中，协同过滤通过使用用户的评分模式显示出良好的性能。矩阵分解和重启随机游走是最具代表性的协同过滤方法。然而，目前还不清楚哪种方法提供更好的推荐性能，尽管它们的广泛实用性。在本文中，我们提供了一个比较研究的矩阵分解和RWR推荐系统。我们根据推荐中的不同任务，精确地表达了这两种方法的对应关系。特别地，我们新设计了一种使用全局偏差项的RWR方法，它对应于使用偏差的矩阵分解方法。我们详细介绍了这两种方法在推荐质量的各个方面，如这些方法如何处理冷启动问题，通常发生在协同过滤。我们广泛地在真实世界的数据集上进行实验，以评估每种方法在各种措施方面的性能。我们观察到，矩阵分解执行更好的显式反馈评级，而RWR是更好的隐式的。我们还观察到，利用项目的全球流行度是有利的性能和边信息产生积极的协同作用，显式反馈，但与隐式的负面影响。
2017-11-05 cs.IR
Boosting Item-based Collaborative Filtering via Nearly Uncoupled Random Walks
基于项目的模型是构建推荐系统的最流行的协同过滤方法之一。随机游走可以提供一个强大的工具来收获这些模型中捕获的丰富的交互网络。它们可以利用项目之间的间接关系，减轻稀疏性的影响，确保更广泛的项目空间覆盖，以及增加推荐列表的多样性。然而，它们的潜力可能会受到步行快速集中到图的中心节点的趋势的阻碍，从而大大限制了可以用于个性化推荐的K步分布的范围。在这项工作中，我们介绍RecWalk;一种新的基于随机行走的方法，利用几乎解耦的马尔可夫链的谱特性来证明解除这种限制，并延长用户过去偏好对行走的连续步骤的影响-允许步行者更有效地探索底层网络。在真实世界数据集上进行的一组全面实验验证了所提出方法的理论预测属性，并表明它们与top-n推荐准确性的显着改善直接相关。他们还强调了RecWalk在提供一个框架以提高基于项目的模型性能方面的潜力。RecWalk实现了最先进的top-n推荐质量，优于几种竞争方法，包括最近提出的依赖于深度神经网络的方法。
2020-10-06 cs.IR cs.SI
Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation
University of Arkansas（阿肯色大学）
针对现有扩散推荐系统未引入无分类器引导的问题，本文提出融入无分类器引导的扩散推荐系统，增强底层模型性能，在多数据集多任务多数指标上优于SOTA，且在数据稀疏场景下更具优势。
2024-09-16 cs.CL cs.IR
A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data
Amazon Retails（亚马逊零售）；Amazon AWS（亚马逊云科技）
本文提出一种端到端基于Transformer的替代品推荐模型，将推荐转化为语言匹配问题并融合产品功能，通过新方法对弱监督行为信号去噪，支持多语言，在线A/B实验显示收入提升19%。
2023-04-08 cs.AI cs.CL cs.IR
D-RDW: Diversity-Driven Random Walks for News Recommender Systems
本文提出D-RDW算法，通过多样性驱动随机游走与可定制目标分布相结合，为新闻推荐提供透明且计算高效的多样化重排序方案。
2025-08-18 cs.IR
div2vec: Diversity-Emphasized Node Embedding
Clova AI Research, NAVER Corp.（NAVER公司Clova AI研究院）；WATCHA Inc.（WATCHA公司）；Naver R&D Center, NAVER Corp.（NAVER公司Naver研发中心）
近年来，图表示学习在推荐系统中的应用越来越受到人们的关注。然而，大多数现有的研究都集中在提高准确性，但在现实世界的系统中，建议的多样性，以及应考虑改善用户体验。在本文中，我们提出了强调多样性的节点嵌入div2vec，这是一种基于随机行走的无监督学习方法，类似于DeepWalk和node2vec。在生成随机游走时，DeepWalk和node2vec对度高的节点多采样，度低的节点少采样。另一方面，div2vec以与其度成反比的概率对节点进行采样，以便每个节点都可以均匀地属于随机游走的集合。该策略提高了推荐模型的多样性。MovieLens数据集上的离线实验表明，我们的新方法在准确性和多样性方面都提高了推荐性能。此外，我们评估了两个现实世界的服务，WATCHA和LINE钱包优惠券，并观察到div2vec通过多样化的系统提高了推荐质量。
2020-09-21 cs.IR cs.LG cs.SI
Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation
Stanford University（斯坦福大学）；Google Research（谷歌研究院）
提出TalkTheWalk框架，利用领域专业知识与语言模型合成超百万条高质量对话数据，解决对话式推荐系统训练数据难获取的问题，并在音乐推荐检索任务中超越基线。
2023-11-18 cs.CL 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
Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation
Università della Svizzera Italiana（意大利瑞士大学）；Leiden University（莱顿大学）
随着基于位置的社交网络的普及，兴趣点推荐已成为一项重要任务，它学习用户的偏好和移动模式来推荐兴趣点。以往的研究表明，将上下文信息，如地理和时间的影响，是必要的，以改善POI推荐解决数据稀疏问题。然而，现有的方法模型的地理影响的基础上的物理距离POI和用户，而忽略了这种地理影响的时间特性。在本文中，我们进行了一项研究的用户移动模式，我们发现，用户的签到发生在几个中心，这取决于他们当前的时间状态。接下来，我们提出了一个时空活动中心算法来更准确地建模用户的行为。最后，我们证明了我们提出的上下文模型的有效性，将其纳入两个不同的设置下的矩阵分解模型：i）静态和ii）时间。为了证明我们所提出的方法的有效性，我们将其称为STACP，我们对从Gowalla和Foursquare LBSN获得的两个着名的真实世界数据集进行了实验。实验结果表明，STACP模型实现了统计上显着的性能改善，相比国家的最先进的技术。此外，我们证明了捕捉地理和时间信息建模用户的活动中心和建模的重要性，他们联合的有效性。
2020-01-24 cs.IR cs.LG
Incorporating System-Level Objectives into Recommender Systems
任何推荐系统最重要的部分之一就是个性化--从用户的角度来看，推荐的可接受程度。然而，在许多现实世界的应用程序中，还有其他利益相关者的需求和利益应该考虑在内。在这项工作中，我们定义的问题，多利益相关者的建议，我们专注于寻找算法的特殊情况下，推荐系统本身也是一个利益相关者。此外，我们将探讨的想法，逐步纳入系统级的目标，随着时间的推移，以解决现有的问题，优化技术，只寻找优化个人用户的列表。
2019-05-31 cs.IR
Reinforcement Knowledge Graph Reasoning for Explainable Recommendation
Rutgers University（罗格斯大学）
个性化推荐的最新进展激发了人们对利用知识图谱提供的丰富结构化信息的极大兴趣。与大多数现有的方法，只专注于利用知识图谱更准确的建议，我们进行明确的推理与决策的知识，使建议产生和支持的解释因果推理过程。为此，我们提出了一种称为策略引导路径推理（PGPR）的方法，该方法通过在知识图谱中提供实际路径来耦合推荐和可解释性。我们的贡献包括四个方面。我们首先强调的意义，将知识图谱的建议，正式定义和解释的推理过程。其次，我们提出了一个强化学习（RL）的方法，具有创新的软奖励策略，用户条件动作修剪和多跳评分函数。第三，我们设计了一个策略引导的图搜索算法，以有效地和有效地采样推理路径的推荐。最后，我们在几个大规模的真实世界的基准数据集上广泛地评估了我们的方法，与最先进的方法相比，获得了有利的结果。
2019-06-12 cs.IR cs.LG
Attentive Neural Architecture Incorporating Song Features For Music Recommendation
推荐系统是音乐共享平台的一个组成部分。这些系统的目的通常是增加用户在平台上花费的时间，因此具有很高的商业价值。旨在增加用户在平台上花费的平均时间的系统通常需要在每个时间点推荐用户接下来可能想要听的歌曲。这与推荐系统不同，推荐系统试图预测用户在用户生命周期中的某个时刻可能感兴趣的项目，但不一定是在不久的将来。预测用户可能喜欢的下一首歌曲需要对给定时间点的用户兴趣进行某种建模。注意神经网络一直在利用用户选择项目的序列来建模用户的隐式短期兴趣，以用于下一个项目预测的任务，然而，我们觉得序列中出现的歌曲的特征也可以传达一些关于短期用户兴趣的重要信息，而这些信息只有项目不能传达。在这个方向上，我们提出了一种新的专注神经架构，除了用户选择的项目序列，使用这些项目的功能，以更好地学习用户的短期偏好，并推荐下一首歌给用户。
2018-11-20 cs.IR
Modeling User Intent Beyond Trigger: Incorporating Uncertainty for Trigger-Induced Recommendation
本文针对触发诱导推荐中过度依赖触发项导致用户意图理解收敛的问题，提出深度不确定性意图网络 DUIN，通过显式意图利用、潜在意图探索和意图不确定性测量三个模块提升推荐性能，并在三个真实数据集及在线 A/B 测试中验证了其优越性。
2024-08-07 cs.IR
A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
Fudan University（复旦大学）
深度神经网络（DNN）已被广泛应用于推荐系统中，包括结合注意力机制以提高性能。然而，现有的基于注意力的推荐模型大多只对用户进行项目级的注意，限制了推荐性能的进一步提高。在本文中，我们提出了一个知识增强的推荐模型ACAM，它结合了从知识图谱（KG）提取的项目属性作为边信息，并建立了一个共同的注意力机制的属性级别，以实现性能增益。具体地说，ACAM中的每个用户和项目首先由一组属性嵌入来表示。然后，用户表示和项目表示的同时，通过捕获不同属性之间的相关性，由一个共同注意模块。我们在两个真实数据集上的广泛实验表明，通过属性级共同注意增强的用户表示和项目表示获得了ACAM优于最先进的深度模型的优势。
2020-06-18 cs.IR cs.LG
MGFRec: Towards Reinforced Reasoning Recommendation with Multiple Groundings and Feedback
University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）；Kuaishou Inc.（快手科技）
MGFRec通过多轮接地和反馈机制提升推荐系统中推理与实际物品空间的一致性，改进推荐效果。
2025-11-24 cs.IR
MV-RNN: A Multi-View Recurrent Neural Network for Sequential Recommendation
顺序推荐是网络应用中的一项基本任务，但由于用户反馈不足，顺序推荐往往会出现项目冷启动问题。目前比较流行的方法有三种，分别是基于矩阵分解的协同过滤方法、基于马尔可夫链的协同过滤方法和基于循环神经网络的协同过滤方法。虽然被广泛使用，但它们有一些局限性。基于MF的方法不能捕捉动态用户的兴趣。强马尔可夫假设极大地限制了基于MC的方法的性能。基于RNN的方法仍处于整合额外信息的早期阶段。在这些基本模型的基础上，许多附加信息的方法只能以单独的方式验证一种模态。本文提出了一种多视图循环神经网络（MV-RNN）模型，用于进行顺序推荐和解决项目冷启动问题。鉴于潜在的特征，MV-RNN可以通过合并视觉和文本信息来缓解项目冷启动问题。首先，在MV-RNN的输入端，研究了三种不同的多视图特征组合，如拼接，添加融合和通过重建原始多模态数据进行融合。MV-RNN应用递归结构来动态捕获用户的兴趣。其次，我们设计了MV-RNN隐状态的分离结构和联合结构，以探索一种更有效的处理多视图特征的方法。在两个真实数据集上的实验表明，MV-RNN可以有效地生成个性化的排序列表，解决缺失模态问题，并显着缓解项目冷启动问题。
2018-11-20 cs.IR
Beyond Optimizing for Clicks: Incorporating Editorial Values in News Recommendation
FD Mediagroep（FD媒体集团）；Talpa Network（Talpa网络）；Randstad Groep Nederland（任仕达荷兰集团）
随着算法个性化在新闻领域的应用，新闻机构越来越信任具有先前考虑的编辑责任的自动化系统，例如，优先向读者提供新闻。在本文中，我们研究了自动新闻推荐系统的背景下，新闻机构的编辑价值观。我们利用新闻推荐系统进行并展示了两项在线研究，历时一个半月，涉及1,200多名用户。在我们的第一项研究中，我们探讨了我们的新闻推荐如何在编辑价值观的背景下引导阅读行为，如偶然性，活力，多样性和覆盖范围。接下来，我们提出了一个干预研究，我们扩展我们的新闻推荐引导我们的读者更动态的阅读行为。我们发现，（i）我们的推荐系统产生更多样化的阅读行为，并产生更高的覆盖率的文章相比，非个性化的编辑排名，（ii）我们可以成功地将动态在我们的推荐系统作为一个重新排名的方法，有效地引导我们的读者更动态的文章，而不损害我们的推荐系统的准确性。
2020-04-21 cs.CL cs.HC cs.IR
Mood-Aware Music Recommendation: Integrating User Affective Signals into Ranking Systems
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出一种情绪条件排序框架，通过能量-效价空间的softmax采样将用户情感信号融入推荐过程，单盲实验表明能提升推荐质量。
2026-06-15 cs.AI cs.IR
Common Artist Music Assistance
在歌曲数量不断增长的当今世界中，根据用户的兴趣找到合适的音乐内容的需要是至关重要的。此外，适合于一个用户的推荐可能与另一个用户无关。在本文中，我们提出了一个推荐系统的用户与常见的艺术家的音乐收听模式。我们使用“重启随机游走”算法得到相关的建议，并进行实验，以找到多个参数的最佳值。
2019-11-17 cs.IR
DGEM: A New Dual-modal Graph Embedding Method in Recommendation System
Graduate School at Shenzhen, Tsinghua University（清华大学深圳国际研究生院）；Peng Cheng Laboratory（鹏城实验室）
在当前基于深度学习的推荐系统中，一般采用嵌入的方法来完成从高维稀疏特征向量到低维稠密特征向量的转换。然而，由于嵌入层的输入向量的维数太大，嵌入层的增加显著减慢了整个神经网络的收敛速度，这在现实场景中是不可接受的。此外，随着用户与项目之间的交互增加，项目之间的关系变得更加复杂，针对序列数据提出的嵌入方法不再适用于当前现实环境中的图形数据。因此，在本文中，我们提出了双模态图嵌入方法（DGEM）来解决这些问题。DGEM包括静态和动态两种模式。我们首先构造项目图来提取图的结构，并使用不等概率的随机游走来捕获项目之间的高阶邻近度。然后我们通过Skip-Gram模型生成图嵌入向量，最后反馈给下游深度神经网络进行推荐任务。实验结果表明，DGEM能够挖掘项目间的高阶相似度，增强推荐模型的表达能力。同时，它还利用项目之间的时间依赖关系，提高了推荐性能。
2021-08-09 cs.IR cs.LG
Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences
将知识图谱引入到推荐系统中，可以提高推荐的准确性和可解释性.然而，现有的方法在很大程度上假设KG是完整的，并且简单地在实体原始数据或嵌入的浅层次上转移KG中的“知识”。这可能导致次优性能，因为实际KG几乎不可能是完整的，并且KG具有缺失的事实、关系和实体是常见的。因此，我们认为，它是至关重要的，以考虑KG的不完整性时，将其纳入推荐系统。在本文中，我们共同学习的推荐和知识图谱完成模型。与以往的基于KG的推荐方法不同，我们在KG中传递关系信息，从而了解用户喜欢某个商品的原因。例如，如果用户已经观看了由同一个人（实体）（关系）导演的几部电影，我们可以推断当用户做出决定时，导演关系起着关键作用，从而有助于以更细的粒度理解用户的偏好。在技术上，我们贡献了一个新的预防为基础的推荐模型，特别是考虑到各种偏好，在翻译用户的项目，然后联合训练它与KG完成模型相结合的几个传输方案。在两个基准数据集上的大量实验表明，我们的方法优于最先进的基于KG的推荐方法。进一步的分析验证了联合训练对推荐任务和KG完成任务的积极影响，以及我们的模型在理解用户偏好方面的优势。我们在https://github.com/TaoMiner/joint-kg-recommender上发布我们的项目。
2019-02-17 cs.IR
Privacy Preserving Recommendation System Based on Groups
推荐系统在近几十年来受到了相当大的关注。然而，随着信息技术和社交媒体的发展，越来越多的用户越来越担心向服务提供商泄露私人数据的风险。推荐系统中质量和隐私之间的权衡自然出现。在本文中，我们提出了一个隐私保护的推荐框架的基础上组。其主要思想是使用组作为自然的中间件来保护用户的隐私。提出了一种分布式偏好交换算法，保证了数据的匿名性，其中匿名集的有效规模随时间渐近地逼近群体规模。我们构建了一个基于马尔可夫随机游走的混合协同过滤模型，为群体成员提供推荐和预测。在MovieLens和Epperly数据集上的实验结果表明，尽管缺乏个人偏好信息，我们提出的方法在推荐精度和命中率方面都优于基线方法，L+和ItemRank，这两种最先进的个性化推荐算法。
2013-05-13 cs.IR
Efficient Pointwise-Pairwise Learning-to-Rank for News Recommendation
Amazon（亚马逊）；Zalando SE（扎兰多SE公司）
针对新闻推荐中逐点方法缺乏比较信息、成对方法计算昂贵的问题，提出一种整合逐点相关性预测与成对比较的可扩展框架，理论分析证明其性能提升条件，并在MIND和Adressa数据集上超越现有方法。
2024-09-26 cs.IR cs.LG
Sequences, Items And Latent Links: Recommendation With Consumed Item Packs
推荐器通常通过使用协同过滤来基于显式反馈使用户（或项目）相关来个性化web内容，评级.收集这种反馈的困难最近促使人们考虑隐式反馈（例如，项目消耗以及相应的时间）。在本文中，我们介绍了消费项目包（CIP）的概念，使链接用户（或项目）的基础上，他们的隐式类似的消费行为。我们的建议是通用的，我们表明，它捕获三个新的隐式的搜索：基于用户的（CIP-U），基于项目的（CIP-I），和基于词嵌入（DEEPCIP），以及一个国家的最先进的技术，使用隐式反馈（FISM）。我们表明，我们的用户处理增量更新，将新鲜消费的项目。我们证明，所有这三个推荐者提供的推荐质量是具有竞争力的国家的最先进的，包括一个结合明确和隐含的反馈。
2017-12-07 cs.IR cs.SI stat.ML
ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；IIT Bhilai（印度理工学院比莱校区）
系统提供的建议解释是实现透明和可信赖的AI的重要组成部分。然而，在最先进的研究中，这是一个单向信号，以提高用户的接受度。在本文中，我们把解释的作用，并调查他们如何有助于提高质量的建议本身。我们设计了一个人在环框架，称为ELIXIR，用户反馈的解释是利用成对学习的用户偏好。ELIXIR利用对推荐和解释的反馈来学习用户特定的潜在偏好向量，通过基于项目相似性的邻域的标签传播来克服稀疏性。我们的框架实例化使用广义图推荐通过随机游走与重启。一个真实的用户研究的有见地的实验表明，在项目级反馈的电影和书籍推荐显着改善。
2021-04-30 cs.AI cs.IR cs.LG
Reinforcement Learning for Strategic Recommendations
Adobe Research（Adobe 研究院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Monash University（莫纳什大学）
战略建议（SR）是指智能代理观察用户的连续行为和活动，并决定何时以及如何与他们进行交互，以优化用户和业务的长期目标。这些系统在行业中处于起步阶段，需要一些基础研究挑战的实用解决方案。在Adobe Research，我们一直在为各种用例实施这样的系统，包括兴趣点推荐、教程推荐、多媒体编辑软件的下一步指导，以及优化生命周期价值的广告推荐。在构建这些系统时存在许多研究挑战，例如对用户的顺序行为建模，决定何时进行干预并提供建议而不打扰用户，以高置信度离线评估策略，安全部署，非平稳性，从不包含过去建议的被动数据构建系统，多用户系统中的资源约束优化，扩展到大型动态动作空间，以及处理和整合人类认知偏见。在本文中，我们涵盖了各种用例和研究挑战，我们解决了这些系统的实用性。
2020-09-15 cs.IR cs.LG stat.ML
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
Look into the Future: Deep Contextualized Sequential Recommendation
针对现有序列推荐仅依赖用户历史行为、忽略未来信息的问题，提出LIFT框架，通过融合自身历史与其他用户相似交互的跨时序上下文，结合行为掩码预训练，在5个真实数据集的两类任务上显著优于基线模型。
2024-08-14 cs.IR
Value-Aware Product Recommendation by Customer Segmentation using a suitable High-Dimensional Similarity Measure
Santafe-Conicet（圣菲-锥形研究所）
本文提出一种新颖的价值感知推荐方法，同时解决用户-物品数据的高维性和稀疏性问题，并显式考虑每个产品和用户对总销售额的贡献。通过编码收益贡献到用户-物品矩阵中，并基于此计算客户相似性，支持按盈利能力目标进行推荐。
2026-04-28 cs.IR cs.LG stat.ML
Item Association Factorization Mixed Markov Chains for Sequential Recommendation
本文提出项目关联分解混合马尔可夫链算法，利用项目关联图融合项目间关联与用户行为序列信息，在四个公开数据集上以少量参数提升推荐排序效果。
2024-11-18 cs.IR
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展，但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题，我们提出了一个解决方案，增强了一个知识图谱称为KATRec（知识感知的主动顺序建议）。KATRec通过对用户的交互项目序列进行建模，并通过知识图谱注意力网络利用预先存在的辅助信息，来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明，KATRec的性能优于最先进的推荐模型，并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
BeautifAI -- A Personalised Occasion-oriented Makeup Recommendation System
随着美容行业的全球变化和全球对美容产品需求的不断增长，对有效的化妆品推荐系统的需求从未如此之大。尽管在个性化化妆推荐方面取得了重大进展，但目前的研究仍然缺乏将场合背景纳入化妆推荐并为用户整合反馈。在这项工作中，我们提出了BeautifAI，一种新颖的化妆推荐系统，为用户提供个性化的化妆推荐，同时提供实时预览和持续反馈。建议的工作的新颖的贡献，包括纳入场合背景下，区域明智的化妆推荐，实时化妆预览和持续化妆反馈，设置我们的系统除了目前的工作在化妆推荐。我们还证明了我们提出的系统的功效，通过进行用户研究，提供个性化的化妆建议。
2022-03-28 cs.IR cs.MM
Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM
Meituan（美团）
针对异构行为导致的特征稀疏与知识碎片化问题，提出基于 LLM 的异构知识提取、融合与指令微调方法，显著提升个性化推荐性能。
2023-08-18 cs.AI cs.IR
B-Rank: A top N Recommendation Algorithm
本文提出了一种有效的推荐系统排序算法B-Rank。B-Rank基于超图上的随机游走模型。根据不同的设置，B-Rank在精度、召回率（19% - 50%）和列表间多样性（20% - 60%）方面优于其他最先进的算法。B-Rank很好地捕捉了流行和利基对象之间的差异。该算法产生非常有前途的结果稀疏和密集的投票矩阵。此外，一个推荐列表更新算法，以应付新的投票。该技术显著降低了计算复杂度。该算法实现简单，因为B-秩不需要参数调整。
2012-04-30 cs.IR physics.data-an
DUM: Diversity-Weighted Utility Maximization for Recommendations
推荐列表多样化的需要在许多推荐系统用例中表现出来。然而，多样性的增加可能会损害建议的效用，因为清单中的相关项目可能会被更多样的项目所取代。在这项工作中，我们提出了一种新的方法，最大限度地提高效用的推荐项目的多样性用户的口味，并表明，这个问题的最佳解决方案可以找到greenly。我们评估所提出的方法在两个在线用户的研究，以及在离线分析，将一些评估指标。评估的结果表明，我们的方法的优越性超过了一些基线。
2014-11-13 cs.IR stat.ML
