Measuring the Impact of Explanation Bias: A Study of Natural Language Justifications for Recommender Systems
尽管解释对决策的潜在影响，但缺乏量化其对用户选择的影响的研究。本文提出了一个实验协议，测量在何种程度上，积极或消极的偏见的解释，可以导致用户选择次优的建议。该协议的关键要素包括一个偏好诱导阶段，允许个性化的建议，人工识别和提取项目方面的评论，并通过积极和消极方面的组合引入偏见的控制方法。我们研究了两种不同文本格式的解释：作为项目方面的列表和作为流畅的自然语言文本。通过一项有129名参与者的用户研究，我们证明了解释可以显着影响用户的选择，这些发现概括了解释格式。
2023-03-16 cs.HC cs.IR
Sequeval: A Framework to Assess and Benchmark Sequence-based Recommender Systems
在本文中，我们提出了sequeval，一个软件工具，能够执行离线评估的推荐系统，旨在建议一系列的项目。一个基于序列的推荐器是考虑到系统中已有的序列进行训练的，其目的是从初始种子开始生成个性化的序列。该工具自动评估的顺序为基础的推荐考虑一套全面的8个不同的指标，适应顺序的情况。sequeval是按照软件可扩展性的最佳实践开发的。出于这个原因，可以容易地集成和评估新的推荐技术。sequeval是一个公开的开源工具，它的目标是成为社区评估基于序列的推荐系统的焦点。
2018-11-29 cs.IR
Holistic Collaborative Privacy Framework for Users' Privacy in Social Recommender Service
现有推荐服务的当前商业模型围绕用户的个人数据在他们身边的可用性，而消费者必须相信推荐服务提供商不会以恶意的方式使用他们的数据。随着侵犯隐私的案件越来越多，不同国家和公司都颁布了隐私法律和法规，以确定保护个人信息的最佳做法。数据保护第95/46/EC号指令和经济合作与发展组织（经合组织）制定的隐私原则就是这种监管框架的例子。在本文中，我们断言，利用第三方推荐服务来生成准确的推荐是可行的，同时保护用户的敏感信息的隐私，这些信息将仅驻留在他/她自己的设备上的清晰形式上。因此，受益于第三方推荐服务的每个用户将对从他/她自己的偏好中释放的内容具有绝对控制权。我们提出了一个协同隐私中间件，执行一个分布式数据汇集协议内的两个阶段的隐藏过程，以达到这一要求。此外，所提出的解决方案以自然和功能的方式符合公平信息实践的常见隐私监管框架之一-即经合组织隐私原则。本文提出的方法很容易集成到当前的业务模型，因为它是使用一个中间件，运行在最终用户端，并利用社会性质的内容分发服务，实现拓扑数据汇集协议。
2014-11-13 cs.CR cs.IR
From Top-1 to Top-K: A Reproducibility Study and Benchmarking of Counterfactual Explanations for Recommender Systems
VNU University of Engineering and Technology（越南工程大学）；Delft University of Technology（代尔夫特理工大学）
本文系统地重现并评估了11种最先进的推荐系统反事实解释方法，探讨了解释格式、评估层级和扰动范围对解释效果的影响，揭示了不同方法在有效性与稀疏性之间的权衡及大规模图结构下的可扩展性限制。
2026-04-21 cs.IR cs.LG
Personalized Communication Skills for Agentic Recommender Systems
Chongqing University（重庆大学）；The University of Queensland（昆士兰大学）
针对现有智能体推荐系统用户智能体视角狭窄的问题，提出AgentCom个性化沟通技能框架，通过「为什么-是什么-如何-谁」技能库及两种机制提升推荐性能，在三类推荐器中均有效。
2026-08-11 cs.IR
Towards effective research recommender systems for repositories
在本文中，我们认为，为什么以及如何整合的推荐系统的研究，可以提高存储库的功能和用户体验。我们在CORE Recommender中展示了最新的技术创新，它在全球知识库和期刊网络中提供研究文章推荐。CORE Recommender最近已经重新开发，并在CORE系统中投入生产，还部署在几个第三方存储库中。我们解释了这个独特系统的设计选择以及我们为继续提高所提供建议的质量而制定的评估流程。通过借鉴我们的经验，我们讨论的主要挑战，提供一个国家的最先进的推荐解决方案的知识库。我们强调了当前存储库基础设施在开发研究推荐系统方面的两个关键限制：1）缺乏用于暴露匿名用户交互日志的标准化协议和能力，匿名用户交互日志表示对于基于协作过滤的推荐系统至关重要的输入数据，以及2）在存储库中缺乏自愿的全局登录能力，这将使得能够基于过去的用户交互来创建个性化的推荐和通知解决方案。
2017-05-01 cs.DL cs.IR
Tie Handling Is Part of the Evaluation Protocol: An Order-Invariance Audit for Tie-Heavy Recommender Scores
Independent Researcher, Bethlehem, Pennsylvania, USA；Independent Researcher, Washington, DC, USA；Independent Researcher, Seattle, Washington, USA
针对推荐评估中平局打破规则影响top-k结果的问题，通过顺序不变性审计发现不同平局策略导致NDCG大幅波动，并提出报告清单以规范评估。
2026-09-24 cs.IR
Sparks of Artificial General Recommender (AGR): Early Experiments with ChatGPT
Rutgers University（罗格斯大学）
本研究探讨利用大型语言模型开发通用推荐系统（AGR）的可行性，提出十项基本原则并测试ChatGPT，结果表明其有潜力但存在局限。
2023-05-08 cs.CL cs.IR cs.LG
Dynamic Adaptation of User Preferences and Results in a Destination Recommender System
研究人的因素是近年来推荐系统研究的热点。用户体验在旅游推荐系统中起着至关重要的作用，因为用户满意度是保证这种推荐系统成功的主要因素。在这项工作中，我们设计并实现了一个目的地推荐系统，其中的建议，立即适应用户的喜好。这些建议可以在世界地图上探索，并提供更多信息。该接口解决了推荐系统中常见的可视化挑战，例如透明度，合理性，可控性，可探索性，冷启动问题和上下文感知。我们已经进行了用户研究，从用户的角度来评估这个推荐系统的不同方面。
2023-02-20 cs.HC cs.IR
Evaluating the Robustness of Conversational Recommender Systems by Adversarial Examples
Center for Intelligent Information Retrieval（智能信息检索中心）；Manning College of Information and Computer Sciences（曼宁信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
会话式推荐系统（CRS）正在迅速改善，根据标准的推荐准确性指标。然而，必须确保这些系统在与用户（包括想要通过向系统馈送修改的输入数据来攻击系统的常规和恶意用户）交互时是鲁棒的。在本文中，我们提出了一个对抗性的评估计划，包括两个类别的四个场景，并自动生成对抗性的例子，以评估这些系统在面对不同的输入数据的鲁棒性。通过执行这些对抗性示例，我们可以比较不同会话推荐系统满足用户偏好的能力。我们通过两个数据集上的对抗性示例评估了三个CRS。我们的研究结果表明，这些系统都是强大的和可靠的对抗性的例子。
2023-03-09 cs.AI cs.IR
GraphSW: a training protocol based on stage-wise training for GNN-based Recommender Model
Academia Sinica（中央研究院）
近年来，研究者们利用知识图谱作为推荐系统的辅助信息来解决冷启动和稀疏性问题，提高推荐性能。现有的知识库感知推荐模型利用邻近实体的特征和结构信息来更新当前位置实体的嵌入。虽然丰富的信息是有益的后续任务，探索整个图的成本是巨大的和不切实际的。为了减少计算开销并保持特征提取的模式，KG感知推荐模型通常使用固定大小的随机邻居集，而不是KG中的完整信息。然而，这些方法中存在两个关键问题：首先，固定大小和随机选择的邻居限制了图的视图。此外，随着图特征阶数的增加，模型参数维数的增长可能导致训练过程难以收敛。为了解决上述局限性，我们提出了GraphSW，这是一种基于阶段式训练框架的策略，它在每个阶段只访问KG中实体的一个子集。在接下来的阶段中，从前一阶段学习的嵌入被提供给下一阶段的网络，并且模型可以从KG逐渐学习信息。我们在两个SOTA推荐模型RippleNet和知识图谱卷积网络（KGCN）上应用阶段式训练。此外，我们评估了六个真实世界数据集的性能，Last.FM 2011，Book-Crossing，movie，LFM-1b 2015，Amazon-book和Yelp 2018。实验结果表明，该策略可以帮助两个模型从KG中收集更多的信息，提高性能。此外，据观察，GraphSW可以帮助KGCN有效地收敛于高阶图特征。
2019-08-19 cs.IR cs.LG stat.ML
MARS-Gym: A Gym framework to model, train, and evaluate Recommender Systems for Marketplaces
Deep Learning Brazil（深度学习巴西）；Federal University of Goiás, Brazil（巴西戈亚斯联邦大学）；iFood Research（iFood研究院）
推荐系统对于市场来说尤其具有挑战性，因为它们必须最大限度地提高用户满意度，同时保持生态系统的健康和公平。在这种情况下，我们观察到缺乏资源来设计，训练，并评估代理，通过在这些环境中进行交互来学习。为此，我们提出了MARS-Gym，这是一个开源框架，使研究人员和工程师能够快速构建和评估强化学习代理，以便在市场上进行推荐。MARS-Gym解决了整个开发流程：数据处理，模型设计和优化以及多方面评估。我们还提供了一组不同的基线代理的实现，并在Trivago市场数据集中对它们进行了度量驱动的分析，以说明如何使用推荐，政策外估计和公平性的可用度量进行整体评估。通过MARS-Gym，我们希望弥合学术研究和生产系统之间的差距，并促进新算法和应用程序的设计。
2020-09-30 cs.HC cs.IR cs.LG
Text-based Emotion Aware Recommender
我们应用用户情感向量（UVECs）和电影情感向量（MVECs）的概念作为情感感知推荐系统的构建组件。我们建立了一个比较平台，由五个基于内容的过滤算法和协同过滤算法。我们采用了一个Tweets情感分类器，通过电影概述对电影的情感特征进行分类。我们构建MVEC从电影的情绪配置文件。我们跟踪用户的电影观看历史，通过取用户观看的所有电影的所有MVEC的平均值来制定UVEC。利用MVEC，我们建立了一个情感感知推荐器作为比较平台的算法之一。我们评估了这些推荐器生成的前N个推荐列表，发现情感感知推荐器的前N个列表显示了意外发现的推荐。
2020-07-28 cs.IR
Movie Recommender Systems: Implementation and Performance Evaluation
多年来，亚马逊、Netflix、潘多拉等电子商务企业目录中的商品数量爆炸式增长，已经保证了推荐系统的开发，以基于消费者的偏好和品味将消费者引导到他们期望的产品。构建推荐系统，挖掘用户，导出输入数据集的一些流行方法是：基于内容的系统，协同过滤，使用奇异值分解（SVD）的潜在因素系统，和限制玻尔兹曼机（RBM）。在这个项目中，用户-用户协同过滤，项目-项目协同过滤，基于内容的推荐，奇异值分解，和神经网络被选择用于在Python中实现，以预测每个用户未观看的电影的用户评分，并评估和比较它们的性能。
2019-09-16 cs.IR
RBoard: A Unified Platform for Reproducible and Reusable Recommender System Benchmarks
本文提出 RBoard 统一基准平台，支持 CTR 预测、Top-N 推荐等任务的标准化、跨数据集评估与代码复现，以提升推荐算法比较的可复现性和可复用性。
2024-09-10 cs.IR
Measuring the stability and plasticity of recommender systems
Independent researcher（独立研究者）；Joint Research Centre - European Commission（欧洲委员会联合研究中心）
本文提出评估推荐系统在重新训练时稳定性与可塑性的方法，通过分析长期行为展示不同算法的性能差异及稳定性与可塑性的权衡。
2026-05-14 cs.IR cs.LG
Emergence of Spontaneous Order Through Neighborhood Formation in Peer-to-Peer Recommender Systems
Universität Freiburg（弗赖堡大学）
语义网的出现需要从集中式客户端/服务器架构转向分散式和对等计算，使得中央机构的存在变得多余甚至不可能。与此同时，推荐系统在电子商务中产生了相当大的影响，为人们提供个性化的、根据他们的需求量身定制的推荐。传统上，这些推荐系统的部署考虑到了严格的集中式场景，在与其主机网络外围分离的封闭社区中运行。我们的目标是将这两个世界结合起来，即，分散式对等计算和推荐系统，在一个基于代理的框架。我们的架构采用了一个类似的风格的协议，维护社区的志同道合的同行在一个强大的，自我组织的时尚。为了证明我们的架构的能力，以保持可扩展性，鲁棒性，并允许收敛到高质量的建议，我们进行离线实验上流行的MovieLens数据集。
2008-12-23 cs.AI cs.IR cs.MA
How Researchers Could Obtain Quick and Cheap User Feedback on their Algorithms Without Having to Operate their Own Recommender System
大多数推荐算法都是基于历史基准数据集进行评估的。对历史基准数据集的评估是快速和廉价的，但排除了实际消费推荐的用户的观点。用户反馈很少被收集，因为它需要访问操作推荐系统。建立和维护一个可操作的推荐系统会给大多数研究人员带来无法承担的及时和经济负担。我们的目标是减少这种负担，以促进广泛的以用户为中心的评价推荐算法，特别是在该领域的新手研究人员。我们目前正在进行的评估工具，实现了一种新的范式，使用户为中心的评价推荐算法，而无需访问一个操作推荐系统的工作。最后，我们勾勒出我们计划在评估工具的帮助下进行的实验。
2022-12-14 cs.IR
Recommender Systems: A Primer
Universidad Autónonoma de Madrid（马德里自治大学）；University of Klagenfurt（克拉根福大学）
个性化推荐已经成为现代在线服务的共同特征，包括大多数主要的电子商务网站、媒体平台和社交网络。今天，由于其高度的实际意义，在推荐系统领域的研究比以往任何时候都更加蓬勃发展。然而，随着我们今天观察到的推荐系统的新应用场景，在算法要求和对此类系统的评估方面也不断出现新的挑战。在本文中，我们首先提供了一个传统的配方推荐问题的概述。然后，我们回顾了经典的算法范例项目检索和排名，并阐述了如何可以评估这样的系统。之后，我们讨论了一些最近的发展，在推荐系统的研究，包括基于会话的推荐，在推荐系统的偏见，并在实践中的影响和价值的推荐系统的问题。
2023-02-06 cs.AI cs.IR
An Evaluation Framework for Interactive Recommender System
传统的推荐系统向用户呈现相对静态的推荐列表，其中反馈通常限于接受/拒绝或评级模型。然而，这些简单的反馈模式可能仅提供关于用户为什么喜欢或不喜欢项目以及用户已经考虑了项目的哪些方面的有限见解。交互式推荐系统提供了一个机会，通过允许用户与推荐交互，提供反馈并实时影响结果，使用户参与到这个过程中。评估用户交互的影响通常需要大量的用户研究，这是耗时的，并且给研究人员有限的机会来调整他们的解决方案，而不必进行多轮的用户反馈。另外，用户体验和设计方面可能对用户反馈具有显著影响，这可能导致不一定评估整体解决方案中的一些底层算法决策的质量。因此，我们提出了一个评估框架，旨在模拟用户与推荐交互。我们制定的指标来评估质量的交互式的框架，一旦模拟完成后输出。虽然模拟不足以评估完整的解决方案，但结果可以帮助研究人员在进入用户研究阶段之前调整他们的解决方案。
2019-04-16 cs.HC cs.IR
Eval4DiRec: A Unified and Systematic Evaluation Framework for Diffusion-based Recommender Systems
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算中心（国家超级计算济南中心））；University of Technology Sydney（悉尼科技大学）；Tongji University（同济大学）；Shandong Academy of Artificial Intelligence（山东省人工智能研究院）
针对基于扩散的推荐系统缺乏统一评估基准的问题，提出Eval4DiRec框架，支持14个模型、5种场景，通过实证研究揭示关键因素，促进公平评估与未来研究。
2026-10-14 cs.AI cs.IR
Towards a Signal Detection Based Measure for Assessing Information Quality of Explainable Recommender Systems
本文提出一种基于信号检测理论的客观度量Veracity，通过Fidelity和Attunement两个维度评估可解释推荐系统解释内容的信息质量，并通过四组不同质量水平的案例验证了该度量的有效性。
2025-07-01 cs.HC cs.IR
Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems
University of Technology Sydney（悉尼科技大学）；Shandong University（山东大学）；The University of Queensland（昆士兰大学）
双曲空间和双曲嵌入成为推荐系统的一个热门研究领域。然而，在什么情况下应该考虑双曲空间还不清楚。为了填补这一空白，本文提供了理论分析和经验结果，何时以及在何处使用双曲空间和双曲嵌入的推荐系统。具体来说，我们回答了哪些类型的模型和数据集更适合双曲空间，以及选择哪种潜在大小的问题。我们通过比较欧氏空间和双曲空间在一般项目推荐领域和社会推荐领域的不同潜在空间模型上的性能来评估我们的答案，使用6个广泛使用的数据集和不同的潜在大小。此外，我们提出了一种新的基于度量学习的推荐方法SCML及其双曲线版本HSCML。我们评估我们的结论，双曲空间上SCML和显示的国家的最先进的性能，双曲空间比较HSCML与其他基线方法。
2021-05-19 cs.IR cs.LG
Differentially Private Neighborhood-based Recommender Systems
随着推荐系统出现在我们生活的各个角落，推荐系统的隐私问题已经成为社会关注的热点。与许多安全多方计算协议被提出来防止推荐计算过程中的信息泄漏的事实相反，很少有人做来限制推荐结果中的信息泄漏。在本文中，我们将差分隐私的概念应用到基于邻域的推荐方法（NBM）的概率框架下。首先，我们提出了一种解决方案，通过直接校准拉普拉斯噪声到训练过程中，差分私下找到最大后验参数相似性。然后，我们连接差分隐私NBMs利用最近的观察，从贝叶斯模型的缩放后验分布的结果，在可证明的差异隐私系统的采样。我们的实验表明，这两种解决方案都允许有希望的准确性与适度的隐私预算，和第二种解决方案产生更好的准确性，如果采样渐近收敛。我们还比较了我们的解决方案，最近的差分私人矩阵分解（MF）推荐系统，并表明我们的解决方案实现更好的准确性时，隐私预算是合理的小。这是一个有趣的结果，因为MF系统通常在不应用差分隐私时提供更好的准确性。
2017-03-10 cs.CR cs.IR
Minimizing Live Experiments in Recommender Systems: User Simulation to Evaluate Preference Elicitation Policies
Google Research（谷歌研究院）；Google（谷歌公司）；YouTube（油管）
本研究提出一种仿真方法，通过构建反事实稳健的用户行为模型并结合生产基础设施，减少推荐系统中的在线A/B测试，并在YouTube Music平台验证了其在预测新用户偏好获取策略性能方面的有效性。
2024-09-26 cs.IR cs.LG
From AutoRecSys to AutoRecLab: A Call to Build, Evaluate, and Govern Autonomous Recommender-Systems Research Labs
本文呼吁 RecSys 社区从狭义 AutoRecSys 迈向端到端 AutoRecLab，并围绕原型、基准、评审、标准与伦理治理提出建设路线图。
2025-10-20 cs.AI cs.IR cs.LG
Inclusive Ethical Design for Recommender Systems
Insight SFI Research Centre for Data Analytics（Insight SFI数据分析研究中心）；School of Information and Communication Studies（信息与传播研究学院）；University College Dublin（都柏林大学）
推荐系统作为信息的媒介正变得越来越重要，有可能深刻地影响社会舆论。虽然正在制定办法，以确保这些系统是以负责任的方式设计的，但青少年尤其是一个潜在的弱势用户组，需要明确考虑。这一点尤其重要，因为它们不仅可以访问和使用推荐系统，而且还可以作为内容提供者。本文提出了推荐系统的道德设计的核心原则，并评估目前的方法，以确保遵守这些原则是否充分包括青少年用户的特殊需求和潜在的脆弱性。
2022-09-13 cs.AI cs.CY cs.IR
Off-line vs. On-line Evaluation of Recommender Systems in Small E-commerce
在本文中，我们提出了我们的工作对比较在线和离线的评价指标的背景下，小型电子商业推荐系统。由于互动量较低和用户忠诚度较低，小型电子商业企业的推荐具有相当大的挑战性，很少超过单个会话。另一方面，我们通常不得不处理较少量的对象，这些对象更容易被用户通过各种浏览/搜索GUI发现。本文的主要目标是确定离线评估指标的适用性，在学习真正的可用性推荐系统（评估在线A/B测试）。总共有800种推荐算法的变体被离线评估。18项指标，涵盖基于评级、基于排名、新颖性和多样性评估。离线的结果进行了比较，然后与在线评价的12个选定的推荐变量和结果的基础上，我们试图学习和利用离线到在线的结果预测模型。离线结果表明，在性能w.r.t.不同的指标与帕累托前沿覆盖68%的方法。此外，我们观察到，在线结果受到用户的新颖性的影响。对于新手用户，在线指标与基于排名的指标（AUC，MRR，nDCG）呈正相关，而过高的多样性和新颖性值对他们的在线结果产生了负面影响。然而，对于访问项目较多的用户，多样性变得更加重要，而基于排名的度量相关性逐渐降低。
2020-06-09 cs.IR
Autonomous Information Seeking: A Roadmap for Agentic Recommender Systems
National University of Singapore（新加坡国立大学）；Polytechnic University of Bari（巴里理工大学）；Renmin University of China（中国人民大学）；University of Science and Technology of China（中国科学技术大学）
综述基于大语言模型的智能体融入推荐系统带来的转变，介绍基于自主性水平的分类法及三种核心范式，分析各范式采用的架构和智能体对关键组件的增强，探讨评估方法及未解决问题，指出开放挑战。
2026-07-07 cs.CL cs.IR
A Survey on Incremental Update for Neural Recommender Systems
推荐系统（RS）旨在为用户提供个性化的商品推荐，以防止消费者的过度选择。虽然已经进行了广泛的研究，以解决RS的不同方面和挑战，学术研究和工业应用之间仍然存在差距。具体而言，大多数现有的模型仍然以离线方式工作，其中推荐器在大型静态训练集上进行训练，并在非常严格的测试集上进行一次性评估。RS将保持不变，直到进行下一批再培训。我们框架，如批量更新推荐系统（BURS）的RS。在现实中，他们必须面对的挑战是，RS预计将立即更新新的数据流，并根据新到达的数据为当前用户活动生成更新的建议。我们框架，如增量更新推荐系统（IURS）的RS。在这篇文章中，我们提供了一个系统的调查神经推荐系统的增量更新。我们首先介绍的主要概念和制定IURS的任务的调查。然后，我们说明了IURS的挑战相比，传统的BURS。之后，我们详细介绍了现有的文献和评价问题。最后，我们概述了一些突出的开放式研究问题，在这方面的调查。
2023-03-06 cs.IR
Recommender Systems Fairness Evaluation via Generalized Cross Entropy
推荐系统中的公平性已经关于用户的敏感属性（例如，性别、种族）或项目（例如，在多个利益攸关方的背景下的收入）。无论如何，这一概念通常被解释为某种形式的平等-即，系统在同等意义上满足所有用户信息需求的程度。在本文中，我们认为，在推荐系统中的公平性并不一定意味着平等，而是应该考虑基于优点和需求的资源分配。我们提出了一个基于广义交叉熵的概率框架来评估推荐系统的公平性，在这个角度下，我们表明，所提出的框架是灵活的和解释性的，允许将领域知识（通过一个理想的公平分布），可以帮助理解哪些项目或用户方面的推荐算法是过度或不足代表。两个真实世界的数据集上的结果表明，无论是在用户和项目公平性的建议的评价框架的优点。
2019-08-19 cs.IR
Evaluating Conversational Recommender Systems via User Simulation
会话信息获取是一个新兴的研究领域。目前，端到端的系统评估主要采用人工评估，这种评估方式在大规模上耗费大量时间和资源，成为系统评估的瓶颈。作为替代方案，我们提出了通过模拟用户的自动化评估。我们的用户模拟器的目的是生成一个真正的人会考虑个人偏好和一般流程的互动系统给出的反应。我们评估我们的模拟方法的项目推荐任务，比较现有的会话推荐系统。我们表明，偏好建模和特定于任务的交互模型都有助于更逼真的模拟，并可以帮助实现自动评估措施和人工评估之间的高度相关性。
2020-06-15 cs.IR
A Systematic Review on Context-Aware Recommender Systems using Deep Learning and Embeddings
State University of Maringá（马里兰州立大学）
推荐系统是改善用户在Web系统中查找相关信息的工具，因此他们不会面对太多的信息。为了产生更好的建议，应在建议过程中使用信息的上下文。上下文感知推荐系统被创建，实现了最先进的结果，并改进了传统的推荐系统。构建推荐系统的方法有很多，其中两个最突出的进展是使用嵌入来表示推荐系统中的数据，以及使用深度学习架构来向用户生成推荐。系统综述是一种形式化、系统化的文献综述方法，通过对已发表的相关研究进行分析，对某一研究领域的所有研究进行识别和评价。进行了系统的回顾，以了解如何将深度学习和嵌入技术应用于改进上下文感知推荐系统。我们总结了用于创建这些的架构以及它们所使用的域。
2020-07-09 cs.CV cs.IR
Who Are We Recommending To? Recommender Systems in the Agentic Web
Spotify USA（Spotify美国）；Spotify UK（Spotify英国）
本文指出智能体网络中推荐对象从人类转向AI智能体，提出委托频谱框架，并规划了智能体偏好建模与双受众优化等研究议程。
2026-09-14 cs.IR
A Methodology for the Offline Evaluation of Recommender Systems in a User Interface with Multiple Carousels
Politecnico di Milano（米兰理工大学）
许多视频点播和音乐流媒体服务向用户提供由若干推荐列表组成的页面，所述推荐列表即小部件或可滑动的旋转木马，每一个都构建有特定标准（例如，最近的电视连续剧等）。寻找有效的策略来选择要显示的旋转木马是一个具有巨大工业兴趣的活跃研究课题。在这种情况下，新算法的推荐的整体质量不能通过仅仅测量其个体推荐质量来评估。相反，应在已有其他建议清单的情况下对其进行评估，以说明它们如何相互补充。这是传统的离线评估协议所不考虑的。因此，我们提出了一个离线评估协议的旋转木马设置中，一个模型的推荐质量是衡量多少，它提高了一套已经可用的旋转木马。我们报告的实验公开可用的数据集上的电影域，并注意到，根据转盘设置的排名的算法的变化。特别是，当SLIM carousel可用时，矩阵分解模型往往是首选，而基于项目的模型则会受到惩罚。我们还建议将排名指标扩展到二维旋转木马布局，以考虑已知的位置偏差，即用户不会按顺序探索列表，而是集中在屏幕的左上角。
2021-05-13 cs.IR cs.LG
Do Loyal Users Enjoy Better Recommendations? Understanding Recommender Accuracy from a Time Perspective
在学术研究中，推荐系统通常在基准数据集上进行评估，而没有太多考虑全局时间轴。因此，我们无法回答这样的问题：忠诚用户比非忠诚用户享受更好的推荐吗？忠诚度可以通过用户在推荐系统中活跃的时间段来定义，或者通过用户具有的历史交互的数量来定义。在本文中，我们沿着全球时间轴对推荐结果进行了全面的分析。我们用五种广泛使用的模型进行实验，即，BPR、NeuMF、LightGCN、SASRec和TiSASRec，基于四个基准数据集，即，MovieLens-25 M，Yelp，亚马逊音乐和亚马逊电子。我们的实验结果对上述问题给出了否定的回答。具有许多历史交互的用户遭受相对较差的推荐。使用系统时间较短的用户可以享受更好的推荐。这两个发现都是违反直觉的。有趣的是，最近与系统交互的用户，相对于测试实例的时间点，享受更好的推荐。关于新近度的发现适用于所有用户，无论用户的忠诚度如何。我们的研究提供了一个不同的角度来理解推荐准确性，我们的研究结果可能会引发重新审视推荐模型的设计。代码可在\url {https：github.com/putatu/recommenderLoyalty.
2022-07-04 cs.IR
Recommender systems in industrial contexts
本论文由四个部分组成：-在工业背景下推荐系统的核心功能和先决条件的分析：我们确定了四个核心功能的推荐系统：帮助做决定，帮助比较，帮助探索，帮助发现。这些功能的实现对算法推荐系统的核心选择有影响。- 介绍了自动推荐系统中的主要技术：两种最常用的算法：K-近邻方法（KNN）和快速因子分解方法。现有技术还提出了纯粹基于内容的方法，杂交技术，和经典的性能指标，用于评估推荐系统。这种最先进的技术然后给出了几个系统的概述，无论是从学术界和工业界（亚马逊，谷歌.）。- 分析了在本论文中开发的推荐系统的性能和意义：该系统Reperio是一个使用KNN方法的混合推荐引擎。我们研究了KNN方法的性能，包括所使用的相似性函数的影响。然后，我们研究了KNN方法在冷启动情况下的关键用例中的性能。- 一种分析工业环境中推荐系统性能的方法：该方法根据其核心功能评估算法策略和推荐系统的附加值。
2012-05-14 cs.IR
Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information
Carnegie Mellon University（卡内基梅隆大学）；Language Technologies Institute（语言技术研究所）
提出融合辅助信息的通用框架，在不大幅修改架构下提升基于会话的推荐系统性能，收敛更快且优于SOTA，并引入新型损失正则化注意力机制。
2024-06-02 cs.IR cs.LG
Hybrid Cold-Start Recommender System for Closure Model Selection in Multiphase Flow Simulations
Helmholtz-Zentrum Dresden-Rossendorf e.V.（德累斯顿-罗斯多夫赫尔姆霍兹中心）；Charles University（查理大学）；AGH University of Kraków（克拉科夫AGH科技大学）；Czech Technical University in Prague（布拉格捷克理工大学）
本文提出一种混合推荐框架，结合元数据驱动的案例相似性和矩阵补全协同推理，用于多相流模拟中的闭合模型选择，通过描述特征为新案例提供定制化模型推荐，并利用历史模拟结果提升推荐质量。
2026-04-10 cs.IR
RecQuest: Towards Estimating User Domain Knowledge in Conversational Recommender Systems
University of Stavanger（斯塔万格大学）；Delft University of Technology（代尔夫特理工大学）
提出RecQuest方法，通过游戏化数据收集协议从对话记录中估计用户领域知识，解决现有系统无法适应新手用户的问题，并发布数据集和基线方法。
2026-06-17 cs.HC cs.IR
Can LLMs Outshine Conventional Recommenders? A Comparative Evaluation
PolyU Hong Kong（香港 PolyU）；Huawei Noah’s Ark Lab（华为诺亚实验室）；NTU Singapore（新加坡国立大学）；NUS Singapore（新加坡国立大学）
该研究提出RecBench基准，对比评估大语言模型与传统推荐系统在CTR和序列推荐任务上的表现，发现LLM推荐效果更优但推理效率低，为后续推荐领域研究提供参考。
2025-10-29 cs.CL cs.IR
Neural Click Models for Recommender Systems
St. Petersburg University（圣彼得堡大学）；PDMI RAS（俄罗斯科学院精密机械与控制研究所）；Sber AI Lab（Sber AI实验室）；ISP RAS Research Center for Trusted Artificial Intelligence（俄罗斯科学院信息学研究所可信人工智能研究中心）
本文提出多种神经点击模型架构（循环网络、Transformer变体、对抗式和分层架构），在ContentWise和RL4RS数据集上优于基线，可用于推荐系统模拟器中的用户响应建模、评估与预训练。
2024-09-30 cs.IR cs.LG
Recommending With, Not For: Co-Designing Recommender Systems for Social Good
本文主张面向社会公益的推荐系统应通过参与式民主过程与利益相关者共同设计，而非仅由设计师主导，以确保系统真正服务于社会目标。
2025-08-05 cs.CY cs.HC cs.IR
A Business Zone Recommender System Based on Facebook and Urban Planning Data
我们介绍了ZoneRec-一个针对城市实体商业的区域推荐系统，它使用了Facebook的公共商业数据和城市规划数据。该系统由机器学习算法组成，这些算法接受企业的元数据，并输出一个推荐区域列表，以在其中建立业务。我们评估我们的系统使用的数据在新加坡的食品企业，并评估不同的功能组的推荐质量的贡献。
2016-11-21 cs.IR cs.SI
A Fuzzy Community-Based Recommender System Using PageRank
Islamic Azad University Tehran North Branch（德黑兰北部伊斯兰阿扎德大学）；Amirkabir University of Technology（阿米爾卡比爾理工大學）
推荐系统被不同的用户服务提供商广泛使用，特别是那些与大型用户社区有交互的用户。介绍了一种基于社区发现的推荐系统。使用用户之间的局部和全局相似性来提供推荐。当地的信息是从社区获得的，全球的信息是基于评级。在这里，一个新的模糊社区发现使用个性化的PageRank隐喻。用户对社区的模糊隶属度值被用来定义一个相似性度量。该方法通过使用两个著名的数据集：MovieLens和FilmTrust进行评估。结果表明，我们的方法优于最近的推荐系统。
2018-12-18 cs.IR cs.LG cs.SI
A Survey Paper on Recommender Systems
Concordia University（康考迪亚大学）；Ecole Polytechnique（巴黎综合理工学院）
推荐系统应用数据采掘技术和预测算法来预测用户对大量可用项目中的信息、产品和服务的兴趣。互联网上信息的大量增长以及网站访问者的数量给推荐系统增加了一些关键挑战。这些是：产生准确的建议，有效地处理许多建议，并应对系统中参与者数量的巨大增长。因此，需要新的推荐系统技术，可以快速产生高质量的建议，即使是巨大的数据集。为了解决这些问题，我们已经探索了几种协同过滤技术，如基于项目的方法，它确定项目之间的关系，并间接计算这些关系的基础上为用户的建议。基于用户的方法也进行了研究，它确定相似的口味之间的关系，并计算这些关系的基础上的推荐。在本文中，我们介绍了推荐系统的主题。它为评价推荐系统的效率、可扩展性和准确性提供了方法。本文还分析了基于用户和基于项目的推荐生成技术的不同算法。此外，一个简单的实验进行了使用数据采掘应用程序-Weka-应用数据采掘算法的推荐系统。最后，我们提出我们的方法，可能会提高推荐系统的质量。
2010-12-24 cs.IR cs.LG
Elliot: a Comprehensive and Rigorous Framework for Reproducible Recommender Systems Evaluation
推荐系统已被证明是缓解过度选择问题并提供准确和定制推荐的有效方法。然而，令人印象深刻的建议算法，分割策略，评估协议，指标和任务的数量，严格的实验评估特别具有挑战性。由于不断重新创建适当的评估基准、实验管道、超参数优化和评估程序，我们感到困惑和沮丧，因此开发了一个详尽的框架来满足这些需求。Elliot是一个全面的推荐框架，旨在通过处理一个简单的配置文件来运行和重现整个实验管道。该框架考虑了大量的策略（13种分割方法和8种过滤方法，从时间训练-测试分割到嵌套的K-folds交叉验证）来加载、过滤和分割数据。Elliot为几种推荐算法（50）优化超参数（51种策略），选择最佳模型，将它们与提供模型内统计数据的基线进行比较，计算从准确性到超准确性、偏差和公平性的度量（36），并进行统计分析（Wilcoxon和配对t检验）。其目的是为研究人员提供一种工具，以简化（并使其可重复）所有实验评估阶段，从数据读取到结果收集。Elliot可以在GitHub（https：//github.com/sisinflab/elliot）上找到。
2021-07-28 cs.IR
Knowledge-aware Autoencoders for Explainable Recommender Sytems
推荐系统被广泛用于帮助用户找到他们正在寻找的信息，从而解决信息过载的问题。经过几年的研究和工业发现，寻找更好的算法来提高准确性和多样性指标，推荐的解释服务作为一种工具正在获得动力，在大多数情况下，通过黑箱机器学习技术计算的结果提供人类可理解的反馈。事实上，解释可以保证用户对系统的满意度、信任度和忠诚度。在本文中，我们评估如何不同的信息编码在知识图谱被认为是由用户时，他们被采用，以显示他们的解释。更确切地说，我们比较如何使用分类信息，事实的一个或两者的混合物在建设的解释，影响解释标准的推荐系统。实验结果通过A/B测试平台进行验证，该平台使用基于语义感知自动编码器的推荐引擎来构建用户配置文件，这些配置文件又被用来计算推荐列表并提供解释。
2018-07-17 cs.IR
Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations
The Chinese University of Hong Kong（香港中文大学）
本研究提出利用大语言模型处理显式反馈生成增强表示，集成到推荐模型中，以提升少样本场景下的推荐性能，并通过实验验证其有效性。
2023-12-21 cs.AI cs.IR
Neural Hybrid Recommender: Recommendation needs collaboration
Istanbul Technical University（伊斯坦布尔技术大学）
近年来，深度学习在计算机视觉、语音识别和自然语言处理方面取得了无可争议的成功。在这些具有挑战性的领域取得成功之后，它也被用于推荐系统，但主要是将内容特征纳入传统方法。在本文中，我们介绍了一个广义的神经网络为基础的推荐框架，很容易扩展额外的网络。这个名为NHR的框架，是神经混合推荐器的缩写，它允许我们从相同和不同的数据源中包含更详细的信息。我们已经研究了项目预测问题，但该框架也可以用于评级预测问题，只需对损失函数进行一次更改。为了评估这样一个框架的效果，我们已经测试了我们的方法在基准测试和尚未实验的数据集。在这些真实世界的数据集的结果表明，与最先进的方法相比，我们的方法的优越性能。
2019-09-29 cs.IR cs.LG
How to Diversify any Personalized Recommender?
本文提出一种以用户为中心的预处理策略，通过选择性增删用户交互来引入分布偏移，在保持准确性的同时提升推荐多样性，并促进提供者公平。
2025-02-04 cs.IR
RecSim NG: Toward Principled Uncertainty Modeling for Recommender Ecosystems
Google Research（谷歌研究院）
开发推荐系统，优化与用户的多轮交互，并对不同代理的交互进行建模（例如，用户、内容提供方、销售商）近年来引起了越来越多的关注。使用静态数据集开发和训练用于此类决策者的模型和算法可能特别困难，因为静态数据集通常无法提供在扩展范围内评估政策所需的反事实预测类型。为了解决这个问题，我们开发了RecSim NG，一个概率平台，用于模拟多代理推荐系统。RecSim NG是一个可扩展的，模块化的，可区分的模拟器，在Edward 2和TensorFlow中实现。它提供：一种功能强大的通用概率程序设计语言，用于代理行为规范;用于概率推理和潜变量模型学习的工具，由自动微分和跟踪支持;以及基于TensorFlow的运行时，用于在加速硬件上运行模拟。我们描述了RecSim NG，并说明了如何使用它来创建透明的，可配置的，端到端的推荐生态系统模型，辅以一小部分简单的用例，演示了RecSim NG如何帮助研究人员和从业人员轻松开发和训练推荐系统的新算法。
2021-03-14 cs.AI cs.IR cs.LG
Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems
Know-Center GmbH（Know-Center有限公司）；Graz University of Technology（格拉茨技术大学）
多媒体推荐系统建议媒体项目，例如，歌曲、（数字）书籍和电影，提供给用户。在本文中，我们研究了这种基于协作过滤的多媒体推荐系统的一个潜在问题，即流行的偏见，导致不受欢迎的项目在推荐列表中的代表性不足。因此，我们研究了四个多媒体数据集，即，LastFm、MovieLens、BookCrossing和MyAnimeList，我们将它们各自分成三个用户组，这三个用户组的受欢迎程度不同，即，LowPop、MedPop和HighPop。使用这些用户组，我们评估了四个合作过滤为基础的算法的流行偏见的项目和用户的水平。我们的发现有三个方面：首先，我们表明，对流行项目不感兴趣的用户往往具有大的用户简档，因此是多媒体推荐系统的重要数据源。其次，我们发现受欢迎的项目比不受欢迎的项目更频繁地被推荐。第三，我们发现，用户很少兴趣到流行的项目收到显着较差的推荐比用户有中等或高的兴趣到流行。
2022-03-01 cs.AI cs.IR
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
