Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation
DAMO Academy, Alibaba Group(大模型学院,阿里巴巴集团)
本文提出层次强化学习框架 mccHRL,通过高层智能体建模用户长期感知、低层智能体处理短期兴趣变化,实现列表式推荐的时间抽象,并在模拟器和工业数据集上验证其优于多个基线。
2025-07-19 cs.AI cs.IR cs.LG
$C^3DRec$: Cloud-Client Cooperative Deep Learning for Temporal Recommendation in the Post-GDPR Era
Peking University(北京大学)
移动设备使用户能够随时随地检索信息。考虑到移动用户的临时需求和碎片化使用模式,提出了基于用户短期交互行为的时态兴趣学习方法,以提高移动设备上信息检索的效率.然而,隐私保护法律法规的实施,如GDPR,可能会使临时推荐的成功实践黯然失色。原因在于,现有的推荐系统需要在集中式服务器中收集和处理用户数据,但是用于临时推荐的交互行为数据通常是非事务性数据,根据GDPR,在没有用户的明确许可的情况下不允许收集这些数据。因此,如果用户不允许服务收集他们的交互行为数据,时间推荐就无法工作。为实现后GDPR时代的时态推荐,提出了一种基于云-客户端协同的深度学习框架$C^3DRec$,用于在保护用户隐私的同时挖掘交互行为进行推荐。$C^3DRec$使用GDPR之前收集的数据在集中式服务器上构建全局推荐模型,并使用GDPR之后收集的数据直接在各个本地设备上微调模型。我们设计了两种模式来完成推荐,即拉模式,其中候选项目被拉到设备上,并送入本地模型,以获得推荐项目,推模式,其中本地模型的输出推到服务器上,并与候选项目相结合,以获得推荐项目。评估结果表明,$C^3DRec$实现了类似的推荐精度集中的方法,以最小的隐私问题。
2021-01-13 cs.CR cs.IR cs.LG
Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Pohang University of Science and Technology(浦项科技大学)
推荐系统在建模用户对商品的偏好和预测用户下一次消费商品方面取得了巨大的成功。近来,已经有许多努力来利用用户与项目的交互的时间信息来捕获用户行为的固有时间模式并在给定时间提供及时的推荐。现有的研究将时间信息视为单一类型的特征,并关注如何将其与用户对项目的偏好相关联。然而,我们认为他们是不够的,充分学习的时间信息,因为用户偏好的时间模式通常是异构的。用户对特定项目的偏好可以1)周期性地增加或2)在重要的最近事件的影响下随时间演变,并且这两种时间模式中的每一种都以一些独特的特征出现。在本文中,我们首先定义了独特的特点,这两种时间模式的用户偏好,应考虑在时间感知推荐系统。然后,我们提出了一种新的推荐系统,及时的建议,称为TimelyRec,联合学习的异构时间模式的用户偏好考虑所有定义的特征。在TimelyRec中,两个编码器的级联使用针对每个编码器的建议的注意力模块来捕获用户偏好的时间模式。此外,我们引入了一个评估场景,该场景评估了在top-K推荐中预测感兴趣的项目以及何时同时推荐该项目的性能(即,项目定时建议)。我们在真实数据集上对项目推荐场景和项目定时推荐场景进行了广泛的实验,证明了TimelyRec和所提出的注意力模块的优越性。
2021-04-29 cs.AI cs.IR
Extracting Attentive Social Temporal Excitation for Sequential Recommendation
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);University of Glasgow(格拉斯哥大学)
在协同过滤中,充分利用社会信息来提高推荐质量是一种重要的方法,由于用户的行为会受到她的好友的影响,这已经被证明是有效的。然而,现有的工作,利用社会关系,聚集用户特征,从朋友的历史行为序列中的用户级间接范例。间接范式的一个显著缺陷是它忽略了跨用户的行为事件之间的时间关系。在本文中,我们提出了一个新的时间感知的顺序推荐框架称为社会时间激励网络(STEN),它引入了时间点过程模型的细粒度的影响,朋友的行为对用户的动态兴趣在事件级的直接范式。此外,我们建议将时序推荐中的时序效应分解为社会互时序效应和自我时序效应。具体来说,我们采用了一个社会异构图嵌入层,通过结构信息来细化用户表示。为了增强时间信息的传播,STEN通过相互激励的时间网络直接提取朋友行为的细粒度时间相互影响。此外,用户的动态兴趣是通过自激时序网络捕获。在三个真实世界数据集上的广泛实验表明,STEN优于最先进的基线方法。此外,STEN提供了事件级的推荐可解释性,这也是实验所示。
2021-09-28 cs.AI cs.IR cs.SI
Multi-Behavior Sequential Recommendation with Temporal Graph Transformer
University of Hong Kong(香港大学);South China University of Technology(华南理工大学);Simon Fraser University(西蒙菲莎大学)
随着时间的推移,随着用户的顺序项目交互的偏好建模,已引起越来越多的关注,在许多在线应用。因此,顺序推荐系统已经被开发来学习动态用户的兴趣,从历史的互动建议项目。然而,在大多数现有的顺序推荐系统中的交互模式编码功能集中在单一类型的用户-项目交互。在许多现实生活中的在线平台中,用户-项目交互行为通常是多类型的(例如,点击、添加到收藏夹、购买),具有复杂的跨类型行为相互依赖性。基于用户和项目的多类型交互数据,从用户和项目的信息表示中学习,对于准确地表征随时间演化的用户偏好具有重要意义。在这项工作中,我们解决了动态的用户-项目关系学习与多行为交互模式的意识。为此,我们提出了一个新的时间图Transformer(TGT)推荐框架,共同捕捉动态的短期和长期的用户项目交互模式,通过探索不同类型的行为之间不断发展的相关性。新的TGT方法赋予顺序推荐体系结构提取专门的知识,为特定类型的行为,关系上下文和隐式的行为依赖。在真实数据集上的实验表明,我们的方法TGT始终优于各种最先进的推荐方法。我们的模型实现代码可在https://github.com/akaxlh/TGT上获得。
2022-06-06 cs.AI cs.IR cs.LG
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
Using LLMs to Capture Users' Temporal Context for Recommendation
DePaul University(德保罗大学);Delft University of Technology(代尔夫特理工大学)
本文评估LLM通过解耦短期和长期偏好生成时间感知用户画像的能力,并将其融合为用户嵌入,发现其在交互密集领域推荐效果显著提升,强调了数据集特征的关键作用。
2025-08-11 cs.AI cs.IR
Retrieval and Distill: A Temporal Data Shift-Free Paradigm for Online Recommendation System
Shanghai Jiao Tong University(上海交通大学);Yokohama National University(Yokohama国立大学)
针对推荐系统中的时间数据偏移问题,提出关联时间不变性定理,并构建检索与蒸馏框架,使模型从偏移数据中学习稳定关联且在线推理开销极小。
2025-07-27 cs.AI cs.IR
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
Déjà vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation
University of Virginia(弗吉尼亚大学)
根据用户的历史行为序列预测用户的偏好是现代推荐系统的关键和挑战。现有的顺序推荐算法在建模历史事件对当前预测的影响时,大多关注顺序行为之间的过渡结构,而忽略了时间和上下文信息。在本文中,我们认为,过去的事件对用户的当前行动的影响应该随着时间的推移和不同的上下文。因此,我们提出了一个语境化的时间注意力机制,它学会权衡历史行动的影响,不仅是什么行动,而且行动何时以及如何发生。更具体地说,为了动态地校准来自自注意力机制的相对输入依赖性,我们部署了多个参数化核函数来学习各种时间动态,然后使用上下文信息来确定每个输入遵循这些重新加权核中的哪一个。在对两个大型公共推荐数据集的实证评估中,我们的模型始终优于一组广泛的最先进的顺序推荐方法。
2020-01-29 cs.CL cs.IR cs.LG
TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations
Samsung Research, Samsung Electronics(三星电子三星研究院)
提出TempGNN框架,利用动态会话图上的时序嵌入算子捕捉物品转移的结构与时间动态,在两个真实电商数据集上取得最先进性能。
2023-10-20 cs.AI cs.IR
Modeling Temporal Positive and Negative Excitation for Sequential Recommendation
The University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);CSIRO’s Data 61(联邦科学与工业研究组织数据61);UNSW(新南威尔士大学)
针对现有序列推荐忽略用户静态兴趣与负向激励的问题,提出含TPNE模块的SDIL框架,同时建模两类兴趣与正负激励,在三个真实数据集上性能超越SOTA基线。
2024-10-29 cs.AI cs.IR
Attention Mixtures for Time-Aware Sequential Recommendation
Deezer Research(Deezer研究院)
本文提出MOJITO,一种改进的Transformer序列推荐系统,利用基于注意力的时间上下文和物品嵌入表示的高斯混合体进行序列建模,在多个真实数据集上超越现有方法。
2023-07-03 cs.IR cs.LG
Improve Temporal Awareness of LLMs for Sequential Recommendation
本文针对LLMs时间感知不足的问题,提出三种利用历史交互时间信息的提示策略并聚合排序结果,在MovieLens-1M和Amazon Review上显著提升序列推荐的零样本性能。
2024-05-05 cs.IR
Use of topical and temporal profiles and their hybridisation for content-based recommendation
本文研究基于内容的推荐中如何结合时间性与主题性构建用户画像,提出两种混合方式并与替代方案评估比较。
2024-01-19 cs.IR
Spatial-Temporal Knowledge Distillation for Takeaway Recommendation
School of Computer Science & Technology, Beijing Jiaotong University(北京交通大学计算机科学与技术学院)
本文提出STKDRec模型,通过两阶段训练结合空间-时间知识图谱编码器与空间-时间Transformer,并利用知识蒸馏高效融合图谱与序列知识,显著提升外卖推荐性能。
2025-02-05 cs.IR cs.LG
Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention
Ulsan National Institute of Science and Technology(蔚山科学技术院)
针对序列推荐中时间上下文探索不足的问题,提出TemProxRec模型,结合对比学习与自注意力机制捕获跨用户和交互内的垂直与水平时间邻近性,在基准数据集上显著优于现有模型。
2024-02-18 cs.AI cs.IR
STAN: Spatio-Temporal Attention Network for Next Location Recommendation
University of Washington(华盛顿大学);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);Renmin University of China(中国人民大学)
下一个位置推荐是各种基于位置的应用程序的核心。现有的模型试图通过层次网格化来解决空间稀疏性问题,通过显式时间间隔来描述时间关系,但仍有一些关键问题没有得到解决。非相邻位置和非连续访问为理解用户的行为提供了重要的相关性,但很少被考虑。为了从用户轨迹中聚合所有相关访问,并从加权表示中召回最合理的候选者,在这里,我们提出了一个时空注意力网络(STAN)的位置推荐。STAN明确地利用了所有签到的相对时空信息,沿着轨迹具有自我注意层。这种改进允许非相邻位置之间的点对点交互和具有显式时空效果的非连续签入。STAN采用双层注意结构,首先在用户轨迹内聚合时空相关性,然后考虑个性化项目频率(PIF)召回目标。通过可视化,我们表明STAN符合上述直觉。实验结果明确表明,我们的模型比现有的最先进的方法高出9- 17%。
2021-02-08 cs.AI cs.IR
HTP: Exploiting Holistic Temporal Patterns for Sequential Recommendation
该研究针对序列推荐挖掘更多时间信息的需求,提出融合三类时间模式的HTP神经网络,解决两类时间间隔的关联建模难题,在三个基准数据集上性能显著优于现有最优模型。
2023-07-22 cs.IR
Knowledge-enhanced Session-based Recommendation with Temporal Transformer
最近的研究在基于会话的推荐方面取得了令人印象深刻的进展。然而,信息,如项目知识和点击时间间隔,这可能是潜在的利用,以提高性能,仍然在很大程度上未被利用。在本文中,我们提出了一个框架,称为知识增强的基于会话的建议与时间Transformer(KSTT),将这些信息时,学习项目和会话嵌入。具体地说,知识图谱,它模型的上下文之间的项目在一个会话及其相应的属性,提出了通过图表示学习获得项目嵌入。我们引入时间间隔嵌入来表示需要预测的项目和历史点击之间的时间模式,并使用它来代替原始Transformer(称为时间Transformer)中的位置嵌入。会话中的项目嵌入通过时态Transformer网络进行传递,以获得会话嵌入,并在此基础上进行最终推荐。大量的实验表明,我们的模型在四个基准数据集上的性能优于最先进的基线。
2021-12-16 cs.IR cs.SI
Where to Go Next: A Spatio-temporal LSTM model for Next POI Recommendation
下一个兴趣点(POI)推荐对于基于位置的服务提供商和用户都具有很大的价值。最近,递归神经网络(RNN)已被证明是有效的顺序推荐任务。然而,现有的RNN解决方案很少考虑邻居签到之间的时空间隔,这对于在下一个POI推荐中建模用户签到行为是必不可少的。在本文中,我们提出了一种新的LSTM变体,称为STLSTM,它在LSTM中实现了时间门和距离门,以捕获连续签入之间的时空关系。具体来说,一个时间门和一个距离门被设计用于控制短期兴趣更新,另一个时间门和距离门被设计用于控制长期兴趣更新。此外,为了减少参数的数量和提高效率,我们进一步将耦合输入和遗忘门与我们提出的模型相结合。最后,我们使用来自各种基于位置的社交网络的四个真实世界的数据集来评估所提出的模型。我们的实验结果表明,我们的模型显着优于国家的最先进的方法为下一个POI推荐。
2018-06-18 cs.IR
Long Short-Term Temporal Meta-learning in Online Recommendation
一个有效的在线推荐系统应该在用户的内部行为(来自目标推荐任务)和外部行为(来自其他任务)中共同捕获用户的长期和短期偏好。然而,由于实时训练效率和外部行为获取的现实限制,在充分利用大规模系统中所有历史行为的同时对实时新趋势进行快速适应是极具挑战性的。为了解决这些实际挑战,我们提出了一种新的长短期时间元学习框架(LSTTM)的在线推荐。它将用户多源行为安排在全局长期图和内部短期图中,并进行不同的基于GAT的聚合器和训练策略来分别学习用户的短期和长期偏好。为了及时捕捉用户的实时兴趣,提出了一种基于MAML的时间元学习方法,该方法将不同时间段的推荐视为不同的任务,采用异步优化策略进行快速适应。在实验中,LSTTM在离线和在线评估方面都取得了显着的改进。它被部署在一个名为微信看一看”的广泛使用的在线推荐系统上,影响了数百万用户。
2021-11-25 cs.IR
MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation
Seoul National University(首尔大学);POSTECH(浦项工科大学);Neural Processing Research Center(神经处理研究中心)
近年来,基于自我注意的推荐模型在顺序推荐任务中取得了很好的效果。遵循语言处理的习惯,这些模型中的大多数依赖于简单的位置嵌入来利用用户历史的顺序性质。然而,目前的方法有一些局限性。首先,顺序推荐与语言处理的不同之处在于时间戳信息是可用的。以前的模型没有很好地利用它来提取额外的上下文信息。其次,使用简单的嵌入方案可能导致信息瓶颈,因为相同的嵌入必须代表所有可能的上下文偏见。第三,由于以前的模型在每个注意力头部中使用相同的位置嵌入,它们可以浪费地学习重叠模式。为了解决这些限制,我们提出了MEANTIME(AtteNTION机制与多时间嵌入的混合),它采用多种类型的时间嵌入,旨在从用户的行为序列中捕获各种模式,以及充分利用这种多样性的注意力结构。对真实数据的实验表明,我们提出的方法优于当前最先进的顺序推荐方法,我们提供了一个广泛的消融研究,分析模型如何从不同的位置信息中获益。
2020-08-21 cs.IR cs.LG stat.ML
Exploring the Impact of Temporal Bias in Point-of-Interest Recommendation
基于诸如他们的登记时间和位置的上下文信息向消费者推荐合适的旅行目的地是兴趣点(POI)推荐系统的主要目标。然而,背景偏见的问题(即,消费者在多大程度上喜欢一种情况而不是另一种情况)很少受到研究界的关注。本文考察了时间偏差的影响,时间偏差定义为用户入住时间、休闲与~工作时间,对消费者端公平性的上下文感知推荐算法。我们认为,消除这种时间(和地理)偏差可能有助于减少与交通有关的空气污染,并指出高峰时段的交通可能更加拥挤。为了表面有效的POI推荐,我们评估了最先进的上下文感知模型对两个POI数据集(即Gowalla和Yelp)上的用户签到活动中包含的时间偏差的敏感性。研究结果表明,检查上下文感知推荐模型更喜欢一组用户在另一个基于时间的检查,这种偏好持续存在,即使用户有相同数量的互动。
2022-07-23 cs.IR
Leaping Through Time with Gradient-based Adaptation for Recommendation
Tokyo Tech(东京工业大学);RWBC-OIL, AIST(产业技术综合研究所 RWBC-OIL);AIRC, AIST(产业技术综合研究所 AIRC);DigiARC, AIST(产业技术综合研究所 DigiARC)
现代推荐系统需要适应用户偏好和项目流行度的变化。这样的问题被称为时间动态问题,它是推荐系统建模的主要挑战之一。与流行的循环建模方法不同,我们通过使用基于轨迹的元学习来建模时间依赖性,提出了一种新的解决方案LeapRec来解决时间动态问题。LeapRec通过两个互补分量来表征时间动态,称为全局时间跳跃(GTL)和有序时间跳跃(OTL)。通过设计,GTL通过在无序的时态数据中找到最短的学习路径来学习长期模式。合作,OTL学习短期模式,考虑时序数据的连续性。我们的实验结果表明,LeapRec在几个数据集和推荐指标上始终优于最先进的方法。此外,我们提供了GTL和OTL之间的相互作用的实证研究,显示长期和短期建模的影响。
2021-12-28 cs.IR cs.LG
GT-SEER: Geo-Temporal SEquential Embedding Rank for Point-of-interest Recommendation
兴趣点推荐是基于位置的社交网络中的一个重要应用,它从用户的签到序列中学习用户的偏好和移动模式来推荐兴趣点。然而,以前的POI推荐系统模型的基础上,张量分解或马尔可夫链模型,不能捕获序列中的上下文签到信息的签到序列。上下文检入信息意味着组成个人的日常检入序列的POI之间的互补功能。在本文中,我们利用嵌入学习技术来捕获上下文检入信息,并进一步提出了\textit{\textbf{SE}}顺序\textit{\textbf{E}}嵌入\textit{\textbf{R}}和(\textit{SEER})模型POI推荐。具体地,\textit{SEER}模型在由POI嵌入学习方法建模的顺序约束下经由成对排序模型来学习用户偏好。此外,我们纳入了两个重要因素,即,时间影响和地理影响,引入\textit{SEER}模型来增强POI推荐系统。由于不同日期的时间序列的时间差异,我们提出了一个时间POI嵌入模型,并将时间POI表示到时间偏好排名模型,建立\textit{T}时间\textit{SEER}(\textit{T-SEER})模型。此外,本文还将地理因素的影响引入到\textit{T-SEER}模型中,建立了\textit{\textbf{Geo-Temporal}} \textit{\textbf{SEER}}(\textit{GT-SEER})模型。
2016-06-19 cs.IR cs.SI
Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation
East China Normal University(华东师范大学);Shanghai Jiao Tong University(上海交通大学);Beijing Institute of Technology(北京理工大学);Tsinghua University(清华大学)
顺序推荐的目的是根据历史交互项目推荐目标用户将在不久的将来与之交互的项目。虽然建模时间动态对于顺序推荐至关重要,但大多数现有研究仅集中在用户侧,而忽略了对应物中存在的顺序模式,即,项目方。虽然一些研究调查的动态参与的双重方面,复杂的用户-项目的相互作用并没有充分利用从全球的角度来获得动态的用户和项目表示。在本文中,我们设计了一个新的动态表示学习模型的顺序推荐(DRL-SRe)。为了更好地建模用户-项目交互,从双方的动态特征,所提出的模型建立了一个全球用户-项目交互图的每个时间片,并利用时间片图神经网络学习用户和项目表示。此外,为了使该模型能够捕获细粒度的时间信息,我们提出了一个辅助的时间预测任务的连续时间片的时间点过程的基础上。在三个公开的真实数据集上的综合实验表明,DRL-SRe比最先进的顺序推荐模型有很大的优势。
2021-09-24 cs.AI cs.IR
Link Stream Graph for Temporal Recommendations
Sorbonne Université(索邦大学);IRD(法国发展研究院);Université de Yaoundé I(雅温得第一大学);CNRS(法国国家科学研究中心)
一些推荐系统的研究是基于显式的评分数据,但在许多现实世界的电子商务平台,评分并不总是可用的,在这些情况下,推荐系统必须处理隐式数据,如用户的购买历史,浏览历史和流媒体历史。在这种情况下,经典的二分用户项图(BIP)被广泛用于计算前N个推荐。然而,这些图有一些局限性,特别是在考虑时间动态方面。这并不好,因为用户的偏好会随着时间的推移而改变。为了克服这一限制,Xiang等人提出了基于会话的时间图(STG),以在基于图的推荐系统中结合长期和短期偏好。但在STG中,时间被划分为片段,因此被认为是不连续的。这种方法丢失了用户动作的真实时间动态的细节。为了解决这一挑战,我们提出了链接流图(LSG),这是一个扩展的链接流表示提出的拉蒂默等人。它允许模型之间的交互用户和项目考虑时间连续。在四个真实世界的隐式时间推荐数据集上进行的实验表明,与最常用的最先进的推荐图BIP和STG相比,LSG在12种情况中的9种情况下是最好的。
2019-03-27 cs.IR cs.LG cs.SI
A general graph-based framework for top-N recommendation using content, temporal and trust information
Université de Yaoundé I(雅温得第一大学);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);IRD(法国国家发展研究院)
在许多电子商务平台中,向用户推荐合适的商品是至关重要的,这些平台包含用户的浏览、购买和流媒体历史等隐式数据。一种常见的方法是针对给定的N个项目,选择与每个用户最相关的N个项目,这被称为前N个推荐。为此,推荐系统依赖于各种信息,如项目和用户特征,用户对项目的过去兴趣,浏览历史和用户之间的信任。然而,它们通常只使用一两条这样的信息,这限制了它们的性能。在本文中,我们设计并实现了GraFC 2 T2,一个通用的基于图的框架,可以轻松地组合和比较各种边信息的前N推荐。它将基于内容的特征、时间和信任信息编码到一个复杂的图中,并在这个图上使用个性化的PageRank来执行推荐。我们在Epperly和Ciao数据集上进行了实验,并将使用F1分数,命中率和MAP评估指标获得的性能与基于矩阵分解和深度学习的系统进行了比较。这表明,我们的框架是方便这样的探索,并结合不同种类的信息确实提高了一般的建议。
2019-05-06 cs.IR cs.LG stat.ML
Making Cross-Domain Recommendations by Associating Disjoint Users and Items Through the Affective Aware Pseudo Association Method
本文利用一个巧妙的基于文本的情感感知伪关联方法(AAPAM)链接不相交的用户和项目在不同的信息域,并利用它们进行跨域的基于内容的协同过滤推荐。本文证明了AAPAM方法可以无缝地连接不同的信息域数据集作为一个没有任何额外的跨域信息检索协议。除了进行跨域推荐之外,通过AAPAM连接来自不同信息域的数据集的好处是,它在进行偶然推荐的同时消除了冷启动问题。
2021-02-10 cs.IR
Temporal User Profiling with LLMs: Balancing Short-Term and Long-Term Preferences for Recommendations
DePaul University(德保罗大学);Delft University of Technology(代尔夫特理工大学)
本文提出LLM-TUP方法,利用大语言模型生成用户历史自然语言表示,结合BERT编码与注意力机制动态融合短期与长期偏好,显著提升了基于内容的个性化推荐性能。
2025-08-11 cs.AI cs.IR
TimeMM: Time-as-Operator Spectral Filtering for Dynamic Multimodal Recommendation
Xiaohongshu Inc.(小红书公司)
TimeMM通过时域算子谱过滤框架,解决动态多模态推荐中用户兴趣非平稳性问题,引入自适应谱过滤和模态感知路由,提升推荐性能与可扩展性。
2026-04-29 cs.AI cs.IR
Making Recommender Systems Forget: Learning and Unlearning for Erasable Recommendation
Zhejiang University(浙江大学)
隐私法律和法规强制执行数据驱动的系统,例如,推荐系统,删除涉及个人的数据。由于机器学习模型可能会记住训练数据,因此数据擦除也应该忘记模型中的数据谱系,这引起了人们对机器遗忘(MU)问题的兴趣。然而,现有的MU方法不能直接应用于推荐。大多数推荐系统的基本思想是协同过滤,但现有的MU方法忽略了跨用户和项目的协作信息。本文提出了一个通用的可擦除推荐框架LASER,它由Group模块和SeqTrain模块组成。首先,分组模块根据超图学习到的协作嵌入相似度,将用户划分为均衡分组。然后,SeqTrain模块对具有课程学习的所有组顺序地训练模型。理论分析和两个真实数据集上的实验表明,LASER不仅可以实现有效的去学习,而且在模型效用方面优于最先进的去学习框架。
2022-03-22 cs.IR cs.LG
Fortress: A Case Study in Stabilizing Search Recommendations via Temporal Data Augmentation and Feature Pruning
Apple(苹果公司)
Fortress通过时间数据增强和特征剪枝稳定化搜索推荐模型,提升预测稳定性和准确性,验证了在大规模应用市场中效果显著。
2026-05-14 cs.AI cs.IR
Temporal Graph Neural Network-Powered Paper Recommendation on Dynamic Citation Networks
Southern Methodist University(南卫理公会大学)
针对静态方法难以捕捉论文间动态影响的问题,提出基于时序图神经网络(TGN)和RNN记忆模块的论文推荐方法,通过持续更新论文嵌入预测未来参考影响,在313,278篇论文数据集上验证了有效性。
2024-08-27 cs.IR cs.LG
Beyond Item Order: Temporal Gap Tokenization for Generative Recommendation with Semantic IDs
University of New South Wales(新南威尔士大学);Macquarie University(麦考瑞大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61实验室)
研究基于语义ID的生成式推荐,提出ChronoSID框架。从互补视角注入时间信号,一是用时间感知掩码自编码器,二是离散时间间隔为令牌与语义ID交织。实验表明其优于基线,消融研究验证组件贡献。
2026-07-07 cs.IR
Effectiveness of LLMs in Temporal User Profiling for Recommendation
DePaul University, USA(德保罗大学);Delft University of Technology, Netherlands(代尔夫特理工大学)
本文研究了大语言模型在时间用户画像中的有效性,发现其在用户活跃度高的领域表现更好,但计算成本较高,且在不同领域中效果存在差异。
2025-10-31 cs.AI cs.IR
Video-to-Music Recommendation using Temporal Alignment of Segments
针对音乐监督任务中视频配乐跨模态推荐的结构适配需求,提出基于语义片段与序列对齐代价排序的结构感知推荐方法,显著提升自监督推荐系统性能,并探究了不同排序指标和分割方法的影响。
2023-06-12 cs.IR cs.LG cs.MM
Report-based Recommendations for Policy Making and Agency Operations: Dataset and LLM Evaluation
Cardiff University(卡迪夫大学)
本文提出基于报告生成政策建议的新任务,构建首个评估框架,展示先进LLM在生成建议中的潜力。
2026-03-18 cs.IR
GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
The University of Auckland(奥克兰大学)
下一个POI建议旨在根据用户的当前状态和历史信息预测用户的近期未来移动,为用户和服务提供商提供巨大的价值。然而,这个问题显然是复杂的,因为需要综合考虑各种数据趋势。这包括空间位置,时间背景,用户的喜好,等等。大多数现有的研究认为,下一个POI推荐作为一个序列预测问题,而忽略了其他用户的合作信号。相反,我们提出了一个用户不可知的全局轨迹流图和一个新的图形增强的Transformer模型(GETNext),以更好地利用广泛的协作信号,更准确的下一个POI预测,并减轻冷启动问题的同时。GETNext将全局迁移模式、用户的一般偏好、时空上下文和时间感知的类别嵌入到一个Transformer模型中,以预测用户的未来移动。通过这种设计,我们的模型优于最先进的方法,具有很大的利润,也揭示了冷启动的挑战,在时空涉及的推荐问题。
2023-03-03 cs.IR cs.LG
Dynamic Forgetting and Spatio-Temporal Periodic Interest Modeling for Local-Life Service Recommendation
本文针对本地生活服务推荐中长序列稀疏和强时空依赖的挑战,提出时空周期性兴趣建模(STIM),通过遗忘曲线动态掩码、混合专家网络和分层多兴趣网络联合建模,在线A/B测试使GTV提升1.54%,已服务数亿日活用户。
2025-11-03 cs.AI cs.IR
From Time and Place to Preference: LLM-Driven Geo-Temporal Context in Recommendations
Comcast Technology AI(Comcast技术AI);GraphLab, George Washington University(乔治华盛顿大学GraphLab)
针对现有推荐系统忽略现实地理时间上下文的问题,提出利用LLM生成地理时间嵌入的可扩展框架,设计轻量信息量测试验证其有效性,通过两种方式融入序列模型,凸显自适应混合策略的必要性并发布增强数据集。
2025-10-28 cs.IR
TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation
School of Electronic Information;Electrical Engineering Shanghai JiaoTong University Shanghai, China
针对下一POI推荐中翻译嵌入方法忽视时间因素的问题,提出TransTARec,在统一组件内融合时间影响、序列动态与用户偏好,并在真实数据集上验证其优越性。
2024-04-10 cs.AI cs.IR
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University(同济大学)
本文提出TME-PSR模型,整合时间感知个性化、多兴趣个性化和解释个性化,以提升个性化序列推荐的准确性和解释质量,通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI cs.IR
Temporal Linear Item-Item Model for Sequential Recommendation
Sungkyunkwan University(成均馆大学)
针对现有线性序列推荐模型忽略时序信息、难以捕捉用户偏好漂移的问题,提出融合时序信息且保持高效的TALE模型,在五个基准数据集上性能优于10个对比模型,长尾物品评估效果提升显著。
2024-12-10 cs.IR cs.LG
TSRec: Enhancing Repeat-Aware Recommendation from a Temporal-Sequential Perspective
本文提出TSRec模型,通过用户与商品时间表示模块及序列重复感知模块建模时间间隔和序列模式,以增强重复消费推荐,并在三个基准上验证其优于现有方法。
2025-06-10 cs.IR
Using Social Media Background to Improve Cold-start Recommendation Deep Models
Osaka University(大阪大学)
在推荐系统中,当没有与用户或项目相关联的过去交互记录时,就会出现冷启动问题。冷启动问题的典型解决方案利用上下文信息,例如用户人口统计属性或产品描述。一组研究表明,社交媒体背景可以帮助预测产品销售和股票价格走势等时间现象。在这项工作中,我们的目标是调查是否可以使用社会媒体背景作为额外的上下文信息,以改善推荐模型。基于现有的深度神经网络模型,我们提出了一种方法来表示时间社交媒体背景作为嵌入和融合它们作为一个额外的组件在模型中。我们在真实世界的电子商务数据集和Twitter数据集上进行实验评估。结果表明,我们将社交媒体背景与现有模型融合的方法确实普遍提高了推荐性能。在某些情况下,在与社交媒体背景融合后,通过hit-rate@K测量的推荐准确度会翻倍。我们的研究结果可以为未来的推荐系统设计,考虑复杂的时间信息代表社会利益是有益的。
2021-06-04 cs.AI cs.IR
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类,或者更简洁地说,是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是,组推荐是个性化推荐系统的改造。此外,这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战,研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation
兴趣点推荐是基于位置的社交网络中的一项重要任务。它有助于用户和位置之间的关系建模。近年来,研究者从长期和短期利益出发推荐兴趣点,并取得了成功。然而,它们未能很好地捕捉周期性兴趣。人们倾向于在相似的时间或相似的地区访问相似的地方。现有的模型试图通过用户的移动状态或时隙来获取这种周期性,这限制了周期性兴趣的性能。为此,我们建议学习时空周期性兴趣。具体来说,在长期兴趣模块中,我们学习了日粒度的时间周期兴趣,然后利用层内注意力形成长期兴趣。在短期模块中,我们构造了各种短期序列,分别获得小时,面和小时-面粒度的时空周期性兴趣。最后,我们应用层间注意力来自动整合多个兴趣。两个真实世界的数据集上的实验证明了我们的方法的最先进的性能。
2021-09-16 cs.IR
AOTree: Aspect Order Tree-based Model for Explainable Recommendation
Fudan University(复旦大学);Microsoft Research Asia(微软亚洲研究院)
最近的推荐系统的目标不仅是提供准确的推荐,而且还提供解释,帮助用户更好地理解它们。然而,大多数现有的可解释推荐只考虑了内容在评论中的重要性,如单词或方面,而忽略了它们之间的排序关系。这种疏忽忽略了人类决策过程中至关重要的排序维度,导致性能不佳。因此,本文受认知和决策心理学中的顺序效应理论的启发,提出了基于方面顺序树(AOTree)的可解释推荐方法,以捕捉决定因素之间的依赖关系。我们首先通过分析用户的评论来验证推荐场景中的理论。然后,根据该理论,提出的AOTree扩展了决策树的构造,以捕获用户决策过程中的方面顺序,并使用注意力机制进行预测的方面顺序的基础上。大量的实验表明,我们的方法的有效性评级预测,我们的方法更一致地与用户的决策过程中显示的解释,以特定的顺序,从而提高可解释性。
2024-08-03 cs.AI cs.IR
STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation
GrabTaxi Holdings(GrabTaxi控股公司);Grab-NUS AI Lab(Grab-新加坡国立大学人工智能实验室);National University of Singapore(新加坡国立大学)
下一个兴趣点(POI)推荐是基于位置的社交网络(LBSN)和交通领域的一个长期存在的问题。最近基于递归神经网络(RNN)的方法基于独立的用户访问序列在局部视图中学习P0 I-POI关系。这限制了模型在全局视图中跨用户直接连接和学习以推荐语义训练的POI的能力。在这项工作中,我们提出了一个时空偏好用户维度图注意力网络(STP-UDGAT),一种新的探索利用模型,同时利用个性化的用户偏好,并探索新的POI在全球时空偏好(STP)的邻居,同时允许用户有选择地从其他用户学习。此外,我们提出了随机游走作为一个掩蔽的自我注意力选项,以利用STP图的结构,并在探索过程中找到新的高阶POI邻居。在六个真实世界数据集上的实验结果表明,我们的模型显着优于基线和最先进的方法。
2020-10-06 cs.IR cs.LG cs.SI
Is News Recommendation a Sequential Recommendation Task?
新闻推荐通常被建模为一个顺序推荐任务,它假设历史点击新闻具有丰富的短期依赖性。然而,在新闻推荐场景中,用户通常对新闻信息的时间多样性有很强的偏好,并且可能不倾向于连续点击类似的新闻,这与电子商务推荐等许多顺序推荐场景有很大不同。在本文中,我们研究新闻推荐是否可以被视为一个标准的顺序推荐问题。通过在两个真实数据集上的大量实验,我们发现将新闻推荐建模为顺序推荐问题是次优的。为了应对这一挑战,我们进一步提出了一个时间多样性感知的新闻推荐方法,可以促进候选新闻是从最近点击的新闻,这可以帮助预测未来的点击更准确。实验表明,我们的方法可以不断提高各种新闻推荐方法。
2021-08-26 cs.IR
STGIN: Spatial-Temporal Graph Interaction Network for Large-scale POI Recommendation
针对大规模POI推荐中统一图难以捕捉多样时空兴趣及大系统图构建效率低的问题,提出时空图交互网络STGIN,通过构建多视图子图和工业友好框架追踪实时兴趣,已部署于大型电商平台并显著提升CTR与RPM。
2023-09-05 cs.IR
Temporal Effects on Hashtag Reuse in Twitter: A Cognitive-Inspired Hashtag Recommendation Approach
标签已经成为Twitter等社交平台中的一个强大工具,用于对内容进行分类和搜索,并在社交网络的成员之间传播短消息。在本文中,我们研究了Twitter中的时间标签使用实践,目的是设计一个认知启发的标签推荐算法,我们称之为BLLi,s。我们的主要想法是将时间对(i)个人标签重用(即,重用自己的主题标签),以及(ii)社交主题标签重用(即,重新使用先前已被跟随者使用的主题标签)到预测模型中。为此,我们转向认知架构ACT-R的基本水平学习(BLL)方程,该方程解释了人类记忆中项目暴露的时间依赖性衰减。我们验证BLLi,s使用两个爬行的Twitter数据集在两个评估方案:首先,只有时间使用模式的过去的主题标签分配,其次,这些模式与基于内容的分析相结合的当前推文。在这两种情况下,我们发现不仅时间效应对个人和社会标签重用起着重要作用,而且BLLi,s提供了比当前最先进的标签推荐方法更好的预测准确性和排名结果。
2017-01-05 cs.IR