Online Product Feature Recommendations with Interpretable Machine Learning
产品功能推荐对于在线客户基于正确的功能购买正确的产品至关重要。对于客户来说，选择在价格和功能之间具有最佳权衡的产品是在线购物体验中耗时的一步，并且客户可能会被可用的选择所淹没。然而，确定一组产品的功能，最区分一个特定的产品仍然是一个悬而未决的问题，在线推荐系统。在本文中，我们专注于使用可解释的机器学习方法来解决这个问题。首先，我们确定这个独特的产品功能推荐问题，从商业的角度来看，在一个主要的美国电子商务网站。其次，我们将问题转化为价格驱动的监督学习问题，以发现在给定产品类别中最能解释产品价格的产品特征。我们使用模型不可知的Shapley Values方法构建机器学习模型，以了解每个特征的重要性，排名并推荐最重要的特征。第三，我们利用人类专家来评估其相关性。结果表明，我们的方法优于基于客户行为的强基线方法，并显着提高了45%的覆盖率。最后，我们提出的方法显示了可比的在线A/B测试中的基线转换率。
2021-04-28 cs.IR
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐，由于其良好的性能，近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象（例如，电子商务、音乐和电视节目推荐），其中随着时间的推移重复地重新消费相同的项目。然而，没有以前的研究强调重复消费与神经网络。需要一种有效的神经方法来决定何时执行重复推荐。在本文中，我们将重复探索机制到神经网络，并提出了一个新的模型，称为RepeatNet，与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制，该机制可以从用户的历史记录中选择项目，并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外，随着数据集大小和重复率的增加，RepeatNet在基线上的改进也会增加，这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
Federated Unlearning for On-Device Recommendation
推荐系统中日益增长的数据隐私问题使得联邦推荐（FedRecs）受到越来越多的关注。现有的FedRecs主要关注如何有效和安全地从设备上的交互数据中学习个人兴趣和偏好。然而，他们都没有考虑如何有效地消除用户对联邦训练过程的贡献。我们认为，这样的双重设置是必要的。首先，从隐私保护的角度来看，“被遗忘权”要求用户有权撤回其数据贡献。如果没有可逆的能力，FedRecs就有可能违反数据保护法规。另一方面，使FedRec能够忘记特定用户可以提高其鲁棒性和抵抗恶意客户端攻击的能力。为了支持FedRecs中的用户遗忘，本文借鉴数据库管理系统中基于日志的事务回滚机制，提出了一种高效的遗忘方法FRU（Federated Recommendation Unlearning）.它通过回滚和校准历史参数更新来删除用户的贡献，然后使用这些更新来加速联合推荐系统的重建。然而，在资源受限的个人设备上存储所有历史参数更新是具有挑战性的，甚至是不可行的。鉴于这一挑战，我们提出了一个小规模的负采样方法，以减少项目嵌入更新的数量和基于重要性的更新选择机制，只存储重要的模型更新。为了评估FRU的有效性，我们提出了一种攻击方法，通过一组受损的用户来干扰FedRecs，并使用FRU通过消除这些用户的影响来恢复破坏者。最后，我们在两个真实世界的推荐数据集上进行了实验，两个广泛使用的FedRecs显示我们提出的方法的效率和有效性。
2022-12-03 cs.IR
A Long-Short Demands-Aware Model for Next-Item Recommendation
Renmin University of China（中国人民大学）；University of Montreal（蒙特利尔大学）
推荐合适的产品是推荐系统的核心问题，但同时也要在合适的时间推荐合适的产品，以满足用户的需求，使其价值最大化。用户需求蕴含着强烈的购买意愿，如果利用得当，可以成为促进产品销售的最有效途径。以往的推荐模型主要关注用户的一般兴趣，以找到合适的产品。然而，在适时满足用户需求方面，探索得少得多。为了解决这个问题，我们提出了一种新的长短需求感知模型（LSDM），其中用户对项目的兴趣和用户的需求随着时间的推移。我们总结了两个方面：称为长期需求（例如，反复购买相同的产品表现出长期持续的兴趣）和短期需求（例如，共同购买就像买颜料后买画笔）。为了利用用户的这种长短期需求，我们创建不同的集群，根据不同的时间跨度将连续的产品购买分组在一起，并使用递归神经网络在时间尺度上对每个集群序列进行建模。最后通过联合学习策略对多时间尺度的长短期采购需求进行集结。在三个真实商业数据集上的实验结果证明了该模型的有效性，表明该模型可以有效地模拟用户在多时间尺度上对商品的长短期购买需求。
2019-02-12 cs.IR cs.LG stat.ML
RIGHT: Retrieval-augmented Generation for Mainstream Hashtag Recommendation
University of Chinese Academy of Sciences（中国科学院大学）
针对主流话题标签推荐中检索法难适配新内容、生成法难识别主流标签的问题，提出含检索、选择、生成三组件的RIGHT框架，性能超现有最优基线且可提升ChatGPT表现10%以上。
2023-12-16 cs.AI cs.CL cs.IR
Selective and Collaborative Influence Function for Efficient Recommendation Unlearning
针对推荐系统撤回用户数据时现有遗忘方法效率低且破坏协同的问题，提出SCIF，通过免重训练和选择性更新用户嵌入实现高效、完整且保持协同的推荐遗忘。
2023-04-20 cs.IR
Catalyzing Social Interactions in Mixed Reality using ML Recommendation Systems
Columbia University in the City of New York（纽约市哥伦比亚大学）
本文提出一种混合现实优先的社交推荐模型，融合注视、接近度、噪声等MR特征与适时特征以促进社交互动，并通过优化使各模型准确率提升超14个百分点。
2024-04-29 cs.HC cs.IR cs.LG
Tripartite Vector Representations for Better Job Recommendation
CareerBuilder LLC（CareerBuilder有限责任公司）
职位推荐是在线招聘业务的重要组成部分。为了将合适的人与合适的工作相匹配，需要有一个良好的职位发布代表性。理想情况下，这些代表应该推荐具有合适头衔、一致技能和合理通勤的工作。为了解决这些问题，我们利用三个信息图（工作-工作，技能-技能，工作-技能），从历史工作数据，学习一个共同的潜在空间中的职称和技能的联合表示。这使我们能够使用这两个元素来获得职位发布/简历的表示，随后可以将其与位置相结合。在本文中，我们首先介绍了如何获得每个组件的表示，然后我们讨论如何将这些不同的表示组合在一起到一个单一的空间，以获得最终的表示。将所提出的方法与不同的基线方法进行比较的结果表明，在相关性方面有显著的改善。
2019-07-23 cs.IR cs.LG
MindRec: A Diffusion-driven Coarse-to-Fine Paradigm for Generative Recommendation
University of Science and Technology of China（中国科学技术大学）；Anhui University（安徽大学）；Hong Kong University of Science and Technology（香港科技大学）；MoE Key Lab of BIPC, University of Science and Technology of China（中国科学技术大学教育部生物信息学与计算智能重点实验室）
针对自回归推荐方法难获全局最优的问题，提出MindRec：受人类思维启发的扩散驱动从粗到细生成范式，基于扩散语言模型，先生成关键标记再扩展物品，结合层次类别树与Diffusion Beam Search，top-1准确率平均提升9.5%。
2025-11-18 cs.IR
A Generic Top-N Recommendation Framework For Trading-off Accuracy, Novelty, and Coverage
用于top-N推荐的标准协同过滤方法偏向于热门项目。因此，他们推荐用户可能知道的项目，并代表长尾项目。这是不够的，既为消费者谁喜欢新颖的项目，因为集中在流行的项目覆盖率低的项目空间，而高项目空间覆盖率增加供应商的收入。我们提出了一种方法，依赖于历史评级数据来学习用户长尾新奇的喜好。我们将这些偏好整合到一个通用的重新排名框架中，该框架可以在准确性和覆盖率之间实现自定义平衡。我们经验验证，我们提出的框架增加了建议的新颖性。此外，通过向正确的用户群推广长尾项目，我们显着增加了系统的覆盖率，同时可扩展地保持准确性。我们的框架还支持现有非个性化算法的个性化，使其在关键性能指标（包括准确性和覆盖率）方面与现有个性化算法竞争。
2018-03-01 cs.IR
CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence
Zhejiang University（浙江大学）；Sony AI（索尼人工智能）；Hangzhou Dianzi University（杭州电子科技大学）
为解决推荐系统机器遗忘评估缺乏统一框架及忽视公平性等深层影响的问题，提出首个综合评估基准 CURE4Rec，从完整性、效用、效率和公平性四个维度及三种数据选择策略评估现有方法，并构建数据集验证了遗忘对公平性与鲁棒性的深层影响。
2024-12-22 cs.IR cs.LG
A Load Balanced Recommendation Approach
推荐系统（RS）是为缓解信息过载问题而开发的软件工具和算法，信息过载使用户难以做出正确的决策。推荐问题的两个主要范例是协同过滤和基于内容的过滤，它们试图使用评级和可用内容推荐最好的项目。这些方法通常面临着臭名昭著的问题，包括冷启动，多样性，可扩展性和巨大的计算费用。我们认为，深度学习和强化学习方法的采用也是值得怀疑的，因为它们的计算复杂性和不可解释性。在本文中，我们从一个新的角度来探讨推荐问题。我们借用无线传感器网络中簇头选择算法的思想，并将其应用于推荐问题。特别是，我们提出了负载平衡推荐系统（LBRS），它使用一个概率方案的项目推荐。此外，我们在推荐过程中考虑了项目的重要性，这显着提高了推荐的准确性。我们还介绍了一种方法，认为项目之间的异质性，以平衡的相似性和多样性的权衡。最后，我们提出了一个新的多样性度量，它强调多样性的重要性，不仅从内部列表的角度来看，但也从列表之间的角度来看。通过在RecSim上进行的仿真研究中的实验，我们表明LBRS是有效的，并且可以优于基线方法。
2021-05-20 cs.IR
What Drives Readership? An Online Study on User Interface Types and Popularity Bias Mitigation in News Article Recommendations
个性化新闻推荐系统支持读者在在线新闻平台中找到正确和相关的文章。在本文中，我们讨论了引入个性化，基于内容的新闻推荐DiePresse，一个流行的奥地利在线新闻平台，专注于两个具体方面：（i）用户界面类型，和（ii）流行偏见缓解。因此，我们从2020年10月开始进行了为期两周的在线研究，分析了推荐对两个用户组的影响，即，匿名和订阅用户以及三种用户界面类型，即，在桌面、移动和平板设备上。关于用户界面类型，我们发现，建议被看到的概率是最高的桌面设备，而与建议进行交互的概率是最高的移动设备。关于流行偏见缓解，我们发现，个性化的，基于内容的新闻推荐可以导致一个更平衡的分布的新闻文章的读者群的流行程度的情况下，匿名用户。除此之外，我们发现重大事件（例如，奥地利的COVID-19封锁公告和维也纳恐怖袭击）影响了匿名和订阅用户对热门文章的一般消费行为。
2022-05-30 cs.IR
Exploring Heterogeneous Metadata for Video Recommendation with Two-tower Model
在线视频服务每天都会获取新内容，以提高参与度并改善用户体验。传统的推荐系统仅仅依赖于观看历史，延迟了向正确的客户推荐新添加的标题。然而，可以使用冷启动标题的元数据信息来引导个性化。在这项工作中，我们建议采用一个双塔模型，其中一个塔是学习用户表示的基础上，他们的观看历史，和其他塔是学习有效的表示使用元数据的标题。本文的贡献可以概括为：（1）我们展示了使用双塔模型进行推荐的可行性，并进行了一系列的离线实验来展示其在冷启动标题中的性能;（2）我们探索了不同类型的元数据（分类特征、文本描述、封面图像）和用于融合它们的注意力层;（3）利用我们的Amazon专有数据，我们证明了注意力层可以自适应地为不同的元数据分配权重，并改进了对热启动和冷启动项目的推荐。
2022-04-02 cs.IR
Structural Analysis of User Choices for Mobile App Recommendation
智能手机技术的进步促进了移动应用的快速发展。然而，应用程序商店中大量移动应用程序的可用性带来了寻找合适应用程序以满足用户需求的挑战。事实上，个性化应用推荐的需求非常迫切。在这方面，移动应用程序的两个独特特征带来了机遇和挑战。首先，应用程序市场将应用程序按层次分类法进行组织。其次，功能相似的应用程序相互竞争。虽然有各种各样的移动应用推荐方法，但这些方法并没有专注于应对这些机遇和挑战。为此，在本文中，我们提供了一个系统的研究，以应对这些挑战。具体来说，我们开发了一个结构化用户选择模型（SUCM），通过利用应用程序的层次分类以及应用程序之间的竞争关系来学习细粒度的用户偏好。此外，我们设计了一个有效的学习算法来估计SUCM模型的参数。最后，我们对从Google Play收集的大型应用采用数据集进行了广泛的实验。结果表明，SUCM始终优于国家的最先进的前N推荐方法的显着保证金。
2016-05-25 cs.IR
Enhancing User Personalization in Conversational Recommenders
会话式推荐器正在成为个性化用户推荐体验的强大工具。通过一个来回的对话，用户可以快速磨练在正确的项目。然而，许多会话式推荐方法仅部分地探索用户偏好空间，并对如何最好地结合用户反馈做出限制性假设，导致长对话和较差的推荐性能。在本文中，我们提出了一种新的会话推荐框架，具有两个独特的功能：（i）贪婪NDCG属性选择器，通过优先考虑最有效地代表用户实际偏好空间的属性，增强交互式偏好获取过程中的用户个性化;以及（ii）用户表示细化器，以有效地将从交互式启发过程收集的用户偏好融合在一起，从而获得对用户的更加个性化的理解。通过对四个常用数据集的广泛实验，我们发现所提出的框架不仅优于所有最先进的会话推荐器（在推荐性能和会话效率方面），而且在所提出的多地面实况多轮会话推荐设置下为用户提供了更个性化的体验。
2023-02-13 cs.IR
Moment&Cross: Next-Generation Real-Time Cross-Domain CTR Prediction for Live-Streaming Recommendation at Kuaishou
本文提出Moment&Cross方案，针对快手直播推荐中实时内容变化导致负向观看以及短视频与直播数据严重不平衡的问题，研究如何把握推荐时机并利用短视频行为提升直播CTR预测效果。
2024-08-11 cs.IR
News Recommender System: A review of recent progress, challenges, and opportunities
如今，越来越多的新闻读者倾向于在线阅读新闻，他们可以从多个来源获得数百万条新闻文章。为了帮助用户找到正确的和相关的内容，新闻推荐系统（NRS）的开发，以缓解信息过载的问题，并建议用户可能感兴趣的新闻项目。在本文中，我们强调了新闻推荐领域所面临的主要挑战，并从最先进的技术中找出了可能的解决方案。由于使用深度学习模型构建推荐系统的快速增长，我们将讨论分为两个部分。在第一部分中，我们概述了NRS中使用的传统推荐解决方案，数据集，准确性之外的评估标准和推荐平台。在第二部分中，我们解释了NRS中应用的基于深度学习的推荐解决方案。不同于以往的调查，我们还研究了新闻推荐对用户行为的影响，并试图提出可能的补救措施，以减轻这些影响。通过提供最先进的知识，这项调查可以帮助研究人员和实际专业人员了解新闻推荐算法的发展。它还揭示了潜在的新方向
2021-07-09 cs.IR
Cross-domain recommender system using Generalized Canonical Correlation Analysis
推荐系统从在线商店中的大量可能选项中向用户提供个性化推荐。矩阵分解是一种著名的、精确的协同过滤推荐方法，但它存在新用户和项目的冷启动问题。每当一个新用户参与系统时，没有足够的与系统的交互，因此在用户-项目矩阵中没有足够的评级来学习矩阵分解模型。使用辅助数据，如用户的人口统计，在相关领域的评级和评论，是一个有效的解决方案，以减少新用户的问题。本文利用其他领域的用户数据，建立一个公共空间来表示不同领域用户的潜在因素。在这种表示中，我们提出了一种迭代法，该方法应用MAX-VAR广义典型相关分析（GCCA）的用户潜在因素，从矩阵分解的每个域。此外，为了提高GCCA学习新用户潜在因素的能力，我们提出了广义典型相关分析逆选择矩阵（GCCA-ISSM）方法，它提供了更好的建议，在冷启动场景。所提出的方法是扩展使用基于内容的功能，从用户评论中提取的主题建模。我们使用Amazon和MovieLens数据集上的全面实验来证明所提出的跨领域收视率预测方法的准确性和有效性。
2019-09-15 cs.IR
Text Is All You Need: Learning Language Representations for Sequential Recommendation
本文提出Recformer框架，将物品表示为文本句子序列，通过结合语言理解与推荐任务的预训练和微调学习语言表示，有效解决序列推荐中的冷启动和跨数据集迁移问题。
2023-05-26 cs.IR
Soft Curriculum Learning for Optimizing Fresh and Generalized Recommendations
Google（谷歌）
针对推荐系统流行度反馈循环问题，提出可扩展的软课程学习框架，通过损失退火和图内权重调整实现动态课程节奏，在不牺牲吞吐量下提升用户满意度和新鲜内容消费。
2026-09-30 cs.IR cs.LG
Dynamic Modeling of User Preferences for Stable Recommendations
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Institute of Numerical Mathematics, Russian Academy of Sciences（俄罗斯科学院数值数学研究所）
在用户倾向于开发长期偏好的领域中，推荐的稳定性是推荐系统感知质量的重要因素。在这种情况下，不稳定的推荐可能会导致糟糕的个性化体验和不信任，从而使用户远离推荐服务。我们提出了一个增量学习方案，通过动态建模方法来缓解这些问题。它采用了一个广义矩阵形式的偏微分方程积分器，产生一个动态的低秩近似的时间相关的矩阵表示用户的喜好。该计划允许扩展著名的PureSVD方法的时间感知设置，并显着提高其稳定性，而不牺牲标准的顶级$n$建议任务的准确性。
2021-04-11 cs.IR cs.LG
Producer-Fairness in Sequential Bundle Recommendation
Huawei Noah's Ark Lab（华为诺亚实验室）；Université d'Orléans（奥尔良大学）；Université Grenoble-Alpes（格勒诺布尔阿尔卑斯大学）
针对序列化捆绑推荐场景，本文形式化了生产者公平性问题，并提出精确求解、启发式及自适应方法，在保证推荐质量的同时实现物品组的公平曝光。
2025-06-25 cs.IR cs.LG
Multimodal Point-of-Interest Recommendation
该研究聚焦多模态兴趣点推荐领域，以餐厅推荐为切入点，结合Foursquare、FoodX-251数据集与LLaVA模型构建半多模态数据集，用Recformer框架训练的模型性能更优，验证了多模态推荐的研究方向。
2024-10-07 cs.IR cs.SI
USER: A Unified Information Search and Recommendation Model based on Integrated Behavior Sequence
Renmin University of China（中国人民大学）；Tencent（腾讯）
搜索和推荐是人们获取信息最常用的两种方法。它们有着共同的目标--在正确的时间满足用户的信息需求。现在已经有很多互联网平台和应用程序提供搜索和推荐服务，向我们展示了同时处理这两项任务的需求和机会。然而，大多数平台独立地考虑这两个任务--它们倾向于训练单独的搜索模型和推荐模型，而不利用它们之间的相关性和依赖性。在本文中，我们认为，联合建模这两个任务将有利于他们，并最终提高整体用户满意度。我们调查这两个任务之间的相互作用，在特定的信息内容服务领域。我们建议首先将用户的搜索和推荐行为整合到一个异构的行为序列中，然后利用一个联合模型来处理这两个任务的基础上统一的序列。更具体地说，我们设计了统一的信息搜索和推荐模型（USER），从集成的序列中挖掘用户的兴趣，并以统一的方式完成这两个任务。
2021-09-30 cs.AI cs.IR
Revisiting Graph Projections for Effective Complementary Product Recommendation
MercadoLibre
针对用户-物品交互噪声大、稀疏导致的互补品推荐难题，提出基于用户-物品二部图投影有向加权图的互补关系推断方法，在不同基准上较序列和图推荐器分别平均提升43%、38%性能。
2025-06-10 cs.IR cs.LG
Session-aware Linear Item-Item Models for Session-based Recommendation
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）；Yonsei University（延世大学）
基于会话的推荐旨在给定在会话中消费的先前项目的序列来预测下一项目，例如，电子商务或多媒体流服务。具体来说，会话数据表现出一些独特的特征，即，会话一致性和对会话内项目的顺序依赖性、重复的项目消耗和会话及时性。在本文中，我们提出了简单而有效的线性模型，考虑整体方面的会议。我们的模型的综合性有助于提高基于会话的推荐的质量。更重要的是，它提供了一个通用框架来反映会话数据的不同视角。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有高度的可扩展性。实验结果表明，所提出的线性模型在几个真实世界的数据集上的各种指标表现出竞争力或最先进的性能。
2021-06-25 cs.IR cs.LG
User Profile Feature-Based Approach to Address the Cold Start Problem in Collaborative Filtering for Personalized Movie Recommendation
随着web2.0的普及，产生了大量与电影相关的用户生成内容。随着数据的持续指数增长，人们发现很难做出明智和及时的决策，因此不可避免地需要推荐系统。电影推荐系统帮助用户找到下一个兴趣或最佳推荐。在这个建议的方法中，作者应用的关系，用户特征得分来自用户项目的互动，通过评级，以优化预测算法的输入参数，用于推荐系统，以提高预测的准确性时，有较少的过去的用户记录。这解决了协同过滤中的一个主要缺点，即冷启动问题，与基本协同过滤算法相比，改进了8.4%。系统的用户功能生成和评估使用“MovieLens 100k浏览器”进行。所提出的系统也可以推广到其他领域。
2019-06-02 cs.IR cs.SI
Interpolating Item and User Fairness in Multi-Sided Recommendations
Massachusetts Institute of Technology（麻省理工学院）；IBM Research（IBM研究院）
本文提出公平推荐框架FAIR及低遗憾算法FORM，通过约束优化平衡平台、物品和用户利益，在动态在线环境中实现实时学习与公平推荐，兼顾收入与公平。
2024-05-25 cs.CY cs.GT cs.IR
A Location-Sentiment-Aware Recommender System for Both Home-Town and Out-of-Town Users
空间项目推荐已经成为帮助人们发现感兴趣地点的重要手段，特别是当人们访问不熟悉的区域时。目前的一些研究主要集中在基于用户签到记录的空间项目推荐中的个人和集体地理偏好建模，但他们未能探索用户兴趣跨地理区域漂移的现象，即，当用户到不同的地区旅游时，他们会表现出不同的兴趣。此外，他们忽略了公众评论对后续用户签到行为的影响。具体来说，用户会拒绝签入历史评论总体上看是负面的空间项目，即使它可能符合他们的兴趣。因此，有必要在正确的位置向正确的用户推荐正确的商品。在本文中，我们提出了一个潜在的概率生成模型称为LSARS模拟的决策过程中，用户的签到活动在家乡和外地的场景，通过适应用户的兴趣漂移和人群的情绪，它可以学习位置感知和感知的个人兴趣的空间项目和用户评论的内容。由于用户活动在外地地区的稀疏性，LSARS被进一步设计为包含从本地用户的签到行为中学习到的公共偏好。最后，我们将LSARS部署到两个实际的应用场景：空间项目推荐和目标用户发现。在两个大规模的基于位置的社交网络（LBSNs）数据集上的实验表明，LSARS实现了更好的性能比现有的国家的最先进的方法。
2017-06-20 cs.IR cs.SI
Against Filter Bubbles: Diversified Music Recommendation via Weighted Hypergraph Embedding Learning
Business School, Sichuan University（四川大学商学院）；School of Computer Science and Software Engineering, Southwest Petroleum University（西南石油大学计算机科学与工程学院）；The Hong Kong Polytechnic University（香港理工大学）；University of Illinois at Chicago（芝加哥大学伊利诺伊分校）
本文提出基于加权超图嵌入的多样化音乐推荐算法DWHRec，通过超图随机游走学习用户潜在偏好，在保持准确性的同时提升推荐多样性，并在两个真实数据集上验证其优于七种现有算法。
2024-02-26 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
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
